Kernekoncepter
本研究では、ランダムフォレストを使用して離散的選択モデル(DCM)を表現し、データから推定する新しいアプローチを提案する。このアプローチは解釈可能で、柔軟性と予測性のバランスを取ることができる。
Resumé
本研究では、ランダムフォレストを使用して離散的選択モデル(DCM)を表現し、データから推定する新しいアプローチを提案している。
主な内容は以下の通り:
ランダムフォレストは、DCMを柔軟に表現できる一方で解釈可能である。個々の決定木は顧客の意思決定プロセスを説明できる。
ランダムフォレストは、任意のDCMを一致的に推定できることを理論的に示した。つまり、十分なデータがあれば、ランダムフォレストは真のDCMを正確に推定できる。
ランダムフォレストは、訓練データに含まれていない新しい商品アソートメントの選択確率も良好に予測できる。これは、ランダムフォレストが適応的な最近傍アルゴリズムとして機能し、過去のデータを外挿できるためである。
ランダムフォレストの分割基準は、顧客の選好ランキングの回復と関連していることを示した。つまり、顧客が商品の選好ランキングに基づいて選択する場合、ランダムフォレストはそのランキングを表現できる。
実用的な観点から、ランダムフォレストは顧客の非合理的な行動やシーケンシャルな検索などの複雑なパターンをキャプチャできる。また、集計された訓練データにも対応でき、商品の重要性を定量化できるなどの利点がある。
Statistik
顧客が提示された商品アソートメントから選択する確率は、アソートメントに含まれる商品数に反比例する傾向がある。
顧客の選好ランキングに基づいて選択する場合、上位の商品ほど選択される確率が高い。
Citater
"ランダムフォレストは、柔軟性と予測性のバランスを取ることができる。"
"ランダムフォレストは、任意のDCMを一致的に推定できる。"
"ランダムフォレストは、訓練データに含まれていない新しい商品アソートメントの選択確率も良好に予測できる。"