Kuidas hinnata tunnuse elastsust ja selle mõju sihtmärgile?

Märgi elastus on mõõt, mis näitab, kui tundlik on eesmärk selle märgi väärtuse muutustele. Selle hindamiseks ja märgi mõju analüüsimiseks eesmärgile saab kasutada mitmeid lähenemisviise:

1. Korrelaadi analüüs — arvutada korrelatsioon märgi ja eesmärgi vahel (näiteks Pearsoni koefitsient numbriliste andmete jaoks).

2. Märgi tähtsus mudelis — treenida mudel (näiteks otsustuspuu, juhuslik mets) ja vaadata märgi tähtsust.

3. Osalised tuletised või gradientid — diferentseeruvate funktsioonidega mudelite puhul saab hinnata, kuidas märgi muutus mõjutab prognoosi.

4. Tundlikkuse analüüs — muuta andmetes märgi väärtusi ja jälgida, kuidas muutub eesmärk või prognoos.

Pythonis juhusliku metsa abil märgi tähtsuse hindamise näide:

from sklearn.ensemble import RandomForestRegressor
import numpy as np

X = ... # märgid
y = ... # eesmärk

mudel = RandomForestRegressor()
model.fit(X, y)

tähtsused = model.feature_importances_
for i, imp in enumerate(tähtsused):
    print(f'Märgi {i}: tähtsus {imp}')

Sellisel viisil peegeldab märgi elastus, kui suurel määral see muutus mõjutab sihtmuutujat.