Значение Шепли

Определение ценности Шепли

Ценность Шепли — это система, которая определяет вклад отдельного игрока, когда два или более игрока работают в сотрудничестве друг с другом. Индивидуальный выигрыш определяется на основе неравного вклада каждого игрока.

Шепли метод обеспечивает равный или обоснованный кредит законному участнику — тому, кто внес большой объем вклада. Ценностное решение Shapley применяется в бизнесе, искусственном интеллекте, машинном обучении, программировании, Python и маркетинге.

Программы для Windows, мобильные приложения, игры - ВСЁ БЕСПЛАТНО, в нашем закрытом телеграмм канале - Подписывайтесь:)

Оглавление

Определение ценности Шепли

Ценность Шепли — это производное от примененных затрат и полученной прибыли, распределенных поровну между игроками на основе индивидуального вклада.
В машинном обучении Шепли ценности используют игра теории для определения точного вклада каждого игрока. Кроме того, метод Шепли объясняет прогнозы, сделанные нелинейными моделями.
В Python функции значений Шепли используются для интерпретации моделей машинного обучения.
Для расчета значения Шепли Ллойд Стоуэлл Шепли представил теорию игр значения Шепли для всех комбинаций игроков. Для этого определяется средний предельный вклад.

Объяснение ценности Шепли

Теория игр ценности Шепли была представлена Ллойдом Стоуэллом Шепли в 1951 году. В 2012 году Шепли получил Нобелевскую мемориальную премию за вклад в экономические науки. Он был американским математиком, который провел обширные исследования по теории игр.

Теория игр моделирует взаимодействие между несколькими игроками в любом сценарии с определенными правилами и измеримыми последствиями. Они используются для анализа ситуаций, связанных с принятием решений при ограниченных ресурсах, результатов, возникающих в результате различных выборов, а также возможности конкуренции или сотрудничества между игроками.

Всякий раз, когда в процессе участвуют более двух игроков, участники сотрудничают. В результате каждый игрок расходует уровень навыков, способностей и производительности. Но трудно подсчитать индивидуальную отдачу, полученную благодаря сотрудничеству. Вот тут и приходит на помощь метод Шепли. решение применяется для определения того, какой игрок внес больший вклад. В частности, он определяет, приблизили ли усилия конкретного игрока его к цели или нет.

Модель Шепли включает в себя команду игроков, сотрудничающих для достижения общей выгоды. Одни игроки вносят больше, другие меньше. Поскольку вклад неравный, сколько должен получить каждый игрок взамен? Метод Шепли дает численный ответ на эту проблему. Кроме того, у игроков есть представление о том, кто сколько вносит. В результате игроки, которые вносят больший вклад, обладают большей переговорной силой.

Расчет значения Шепли выполняется путем измерения средней разницы для всех комбинаций. Значение Шепли — это средний предельный вклад игрока в совокупность всех возможных комбинаций.

Решение Шепли решает сложные групповые коалиции; он определяет индивидуальные выплаты и производительность. Таким образом, распределение кредитов упрощается — это справедливая система — игрок, который вносит больший вклад (в сторону результата), получает больше кредитов.

Метод Шепли имеет явное преимущество; он учитывает не поддающиеся количественной оценке факторы. Например, когда анализируется сотрудничество между двумя или более игроками, такие факторы, как командная работа, сотрудничество или активная позиция, не могут быть измерены в стоимостном выражении. В результате решение Shapley широко применяется при изучении экономических моделей, моделей рыночного комплекса, расчетов деликтного ущерба и распределения продуктовых линеек.

Пример

Давайте рассмотрим пример, чтобы понять метод Шепли.

Юлия открывает новый магазин — занимается продажей украшений и аксессуаров ручной работы. Ее магазин находится в Нью-Йорке. В результате она получает значительную известность. Несмотря на это, Джулия хочет активно заниматься маркетингом и рекламой своей продукции.

Среди различных вариантов маркетинга она выбирает рекламные щиты, рекламу на радио, рекламу в газетах и маркетинг в социальных сетях.

В течение двух недель ее магазин переполнен. Чтобы проанализировать успех, Джулия может применить систему Шепли, чтобы выделить успешные маркетинговые каналы, ключевых игроков и демографические данные посетителей. Таким образом, Джула может определить, кто из игроков внес наибольший вклад в посещаемость, а также определить, какую роль сыграли различные маркетологи.

Джулия также может сузить конкретный маркетинговый канал на основе расчетов ценности Шепли. Она может сократить свой маркетинговый бюджет, удалив другие маркетинговые каналы.

Интерпретация

Чтобы интерпретировать концепцию Шепли, давайте рассмотрим производственное предприятие, производящее льняные рубашки.

Набор команд занимается производством. Каждая команда дополнительно состоит из четырех сотрудников. В первую группу входят Эмброуз, Билли, Кэти и Донна.

Каждый месяц первая команда производит X футболок; владелец компании доволен вкладом сотрудника и хочет вознаградить его распределением, основанным на результатах.

Для поощрений, основанных на результатах, руководство должно определить вклад конкретного работника в производство X количества рубашек. Но интерпретация индивидуального вклада сложна — некоторые факторы не поддаются количественной оценке — сотрудничество, командная работа, разделение труда, взаимопонимание или активная позиция.

В результате руководство применяет метод Шепли. Затем они выполняют следующие шаги:

Сначала определяют, сколько рубашек произвела вся бригада (за месяц).
Затем фокус смещается на каждого игрока. Например, скажем, оценка начинается с Билли. Затем анализ исключает Билли и рассматривает все возможные подмножества. В данном случае анализируется вклад Эмброуза, Кэти и Донны.
Всего построено восемь различных подмножеств. Затем вычисляется предельная стоимость каждого подмножества. Наконец, это значение сравнивается с предельными значениями других построенных подмножеств.

Часто задаваемые вопросы (FAQ)

1. Как рассчитать значение Шепли?

Значение Шепли рассчитывается путем измерения среднего значения различий, наблюдаемых для всех комбинаций игроков. Для этого определяется средний предельный вклад.

2. Какова ценность Шепли в машинном обучении?

В машинном обучении значения Шепли используются для объяснения прогнозов, сделанных нелинейными моделями. Метод Шепли выделяет особенности, которые способствуют предсказанию. Метод Шепли учитывает каждый набор данных (игрока). Он берет из него один фрагмент данных и применяет его в сочетании с другими данными из другого набора данных (игрока). В конечном итоге мы приходим к единственному значению — среднему предельному вкладу.

3. Что такое значение Шепли в Python?

Функции регрессии значений Шепли в Python используются для интерпретации моделей машинного обучения. Это облегчает легкое распределение расчетов и выплат. Если есть модель, в которой прогнозы известны, то можно применить решение Шепли, чтобы найти разницу между фактическим значением и прогнозируемым значением.

Значение Шепли

Определение ценности Шепли