Download as PDF, PPTX
![Alarmデータセット
� 患者の診断項⽬とアラームのデータセット
> library(bnlearn)
> alarm[1:2, ]
CVP
PCWP HIST
TPR
BP
CO HRBP HREK HRSA
PAP
SAO2
FIO2
1 NORMAL NORMAL FALSE
LOW NORMAL HIGH HIGH HIGH HIGH NORMAL NORMAL
LOW
2 NORMAL NORMAL FALSE NORMAL
LOW LOW HIGH HIGH HIGH NORMAL
LOW NORMAL
PRSS ECO2 MINV
MVS
HYP
LVF
APL ANES
PMB
INT KINK DISC
1
HIGH ZERO HIGH NORMAL FALSE FALSE FALSE FALSE FALSE NORMAL FALSE TRUE
2
HIGH ZERO ZERO NORMAL FALSE FALSE FALSE FALSE FALSE NORMAL FALSE FALSE
LVV
STKV CCHL ERLO
HR ERCA
SHNT
PVS
ACO2 VALV VLNG VTUB
1 NORMAL NORMAL HIGH FALSE HIGH FALSE NORMAL NORMAL NORMAL HIGH LOW ZERO
2 NORMAL
LOW HIGH FALSE HIGH FALSE NORMAL
LOW
LOW ZERO ZERO LOW
VMCH
1 NORMAL
2 NORMAL
22](https://image.slidesharecdn.com/random-131012033142-phpapp01/75/slide-23-2048.jpg)
![Alarmデータセット
� 診断項⽬(変数)間の関係を可視化
> library(bnlearn)
> res = empty.graph(names(alarm))
> modelstring(res) <paste("[HIST|LVF][CVP|LVV][PCWP|LVV][HYP][LVV|HYP:LVF]",
+
"[LVF][STKV|HYP:LVF][ERLO][HRBP|ERLO:HR][HREK|ERCA:HR][ERCA]",
+
"[HRSA|ERCA:HR][ANES][APL][TPR|APL][ECO2|ACO2:VLNG][KINK]",
+
"[MINV|INT:VLNG][FIO2][PVS|FIO2:VALV][SAO2|PVS:SHNT][PAP|PMB][PMB]",
+
"[SHNT|INT:PMB][INT][PRSS|INT:KINK:VTUB][DISC][MVS][VMCH|MVS]",
+
"[VTUB|DISC:VMCH][VLNG|INT:KINK:VTUB][VALV|INT:VLNG][ACO2|VALV]",
+
"[CCHL|ACO2:ANES:SAO2:TPR][HR|CCHL][CO|HR:STKV][BP|CO:TPR]",
sep = "")
> graphviz.plot(res)
23](https://image.slidesharecdn.com/random-131012033142-phpapp01/75/slide-24-2048.jpg)
アクションマイニングを用いた最適なアクションの導出
- 1.
- 2. ⾃⼰紹介 � TwitterID：@sfchaos � お仕事：⾦融⼯学→データマイニング �Rを使わなくても良い勉強会があると聞き， ⾶んできました！ 1
- 3.
- 4.
- 5.
- 6.
- 7.
- 8. ところが，世の中はそんなには ⽢くない(場合がある)らしい 頑張って 予測精度を 上げたのに 業務に合わず使ってもらえず わずかでも 精度を上げて 胸張るが 売上コスト 説明できず 予測力 端から見れば テストの点 数点アップも 劣等生 7
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22. 必要なパッケージのインストール � Rgraphvizパッケージ > source("http://bioconductor.org/biocLite.R") >biocLite("Rgraphviz") � bnlearnパッケージ > install.packages("bnlearn") 21
- 23. Alarmデータセット � 患者の診断項⽬とアラームのデータセット > library(bnlearn) >alarm[1:2, ] CVP PCWP HIST TPR BP CO HRBP HREK HRSA PAP SAO2 FIO2 1 NORMAL NORMAL FALSE LOW NORMAL HIGH HIGH HIGH HIGH NORMAL NORMAL LOW 2 NORMAL NORMAL FALSE NORMAL LOW LOW HIGH HIGH HIGH NORMAL LOW NORMAL PRSS ECO2 MINV MVS HYP LVF APL ANES PMB INT KINK DISC 1 HIGH ZERO HIGH NORMAL FALSE FALSE FALSE FALSE FALSE NORMAL FALSE TRUE 2 HIGH ZERO ZERO NORMAL FALSE FALSE FALSE FALSE FALSE NORMAL FALSE FALSE LVV STKV CCHL ERLO HR ERCA SHNT PVS ACO2 VALV VLNG VTUB 1 NORMAL NORMAL HIGH FALSE HIGH FALSE NORMAL NORMAL NORMAL HIGH LOW ZERO 2 NORMAL LOW HIGH FALSE HIGH FALSE NORMAL LOW LOW ZERO ZERO LOW VMCH 1 NORMAL 2 NORMAL 22
- 24. Alarmデータセット � 診断項⽬(変数)間の関係を可視化 > library(bnlearn) >res = empty.graph(names(alarm)) > modelstring(res) <paste("[HIST|LVF][CVP|LVV][PCWP|LVV][HYP][LVV|HYP:LVF]", + "[LVF][STKV|HYP:LVF][ERLO][HRBP|ERLO:HR][HREK|ERCA:HR][ERCA]", + "[HRSA|ERCA:HR][ANES][APL][TPR|APL][ECO2|ACO2:VLNG][KINK]", + "[MINV|INT:VLNG][FIO2][PVS|FIO2:VALV][SAO2|PVS:SHNT][PAP|PMB][PMB]", + "[SHNT|INT:PMB][INT][PRSS|INT:KINK:VTUB][DISC][MVS][VMCH|MVS]", + "[VTUB|DISC:VMCH][VLNG|INT:KINK:VTUB][VALV|INT:VLNG][ACO2|VALV]", + "[CCHL|ACO2:ANES:SAO2:TPR][HR|CCHL][CO|HR:STKV][BP|CO:TPR]", sep = "") > graphviz.plot(res) 23
- 25. MVS DISC PMB INT PA P V MCH KINK VLNG SHNT VTUB PRSS 複雑な，あまりに複雑な FIO2 APL MINV VALV PVS TPR ANES ACO2 SAO2 ECO2 HY P LVF CCHL LVV STKV HIST ERLO HR ERCA PCWP CV P CO HRBP HRSA HREK BP Blood Pressure 24
- 26.
- 27. 今回は次の論⽂で提案された ⼿法を紹介 P.Shamsinejadbabak, M.Sarace, and H.Blockeel,Causality-based costeffective action mining, 2013. 26
- 28.
- 29. 滑りやすさを 説明変数(要因)の状態を 変えたときに， 結果変数が⽬標値になる 条件付確率を算出し， 期待効果を推定 Step.１ 因果ネットワークが与えられた前提で， 以下の値を外製的に設定 § スプリンクラーをOffからOnに変えるコスト § 滑りやすさが変更されたときに得られる利益 季節 Step.3 スプリンクラーをOffからOnにしたときに， ⽬標とする滑りやすさが実現する 条件付確率を算出 スプリン クラー ⾬ 湿り 滑り やすさ Step.２ ⽬標とする滑りやすさを設定 Step.4 Step.1で設定した利益とStep.3で求めた条件 付確率から，利益upの期待値を算出 Step.5 スプリンクラーをOffからOnにする期待効果= Step.4で算出した利益upの期待値 Step.1で設定したコスト 28
- 30. こんな感じでアクションが出てくる � 業務では，このような分析結果をもとに，変数を変えるため の施策を考える活⽤イメージ(?) アク ション ID 001 結果 効果 (=利益 - コスト) CVP=HIGH => NORMAL BP=HIGH ⇒ NORMAL 300,000円 002 ･･･ (⾎圧が「⾼」から 「正常」に) ･･･ ･･･ ･･･ ･･･ ･･･ ･･･ 29
- 31. Rでの実装 cream.main <- function(target="BP",n=173328) { # CREAM CREAMアルゴリズムを実⾏する関数 # @param target: target attribute(character) # @param n: number of record of observational data library(bnlearn) ( ) # 観測データ(アラームデータセット) data(alarm) # CREAM CREAMアルゴリズムの実⾏ cost <- 1.0 profit <- 1.0 cn <- hc(alarm) cream(alarm, target, "NORMAL", cost, profit, cn) プログラムは 後⽇公開予定 } 30
- 32. Rでの実装 cream <- function(x,target, target.value, cost, profit, cn) { # The CREAM algorithm # for learning cost-effective action sets from causal networks # # # # # # # @param x: object data(data frame or matrix) @param target: target attribute(character) @param target.value: target value @param cost: cost data(numeric) @param profit: profit(numeric) @param cn: underlying causal network @return library(foreach) library(doSNOW) プログラムは 後⽇公開予定 var.list <- colnames(x) to.str <- paste0("(", target, "=='", target.value, "')") result <- vector("list", nrow(x)) fitted <- bn.fit(cn, x) ... ... } 31
- 33.
- 34.
- 35. � アクションマイニングは，⽬的とする状態にするた めに，どのような要因を変化させると効果的かに ついて⽰唆． � ぶっちゃけ，当初の⽬的からすると，ややスケー ルダウンな感じも・・・ �が，うまく使えば「何をどう変えれば収益をupさ せられるか」が分かるかも!? 34
- 36.
- 37.
- 38. 参考⽂献 ⽂献名 著者 出版社等 Incorporating Hendrik Blockeel COSTS causalreasoning workshop @ ICDM 2012 in cost-effective コメ ント 下記の論⽂を要訳し たスライドであり，分 かりやすい． action mining Causality-based Cost-effective Action Mining Action Rules Mining Pirooz Shamsinejadbab aki, Mohamad Saraee, and Hendrik Agnieszka Dardzinska 因果ネットワークを⽤ いたCREAM, ICECREAMという2つのア クションマイニングのア ルゴリズムを提唱． Springer 未読．この分野を専 ⾨的に扱った本． 37