Analyse de sensibilité

Simulations de Monte-Carlo en Python

Izzy Weber

Curriculum Manager, DataCamp

Analyse de sensibilité

Aide à comprendre l'impact de l'intervalle des intrants
Met en évidence les tendances, résumées en tableaux ou graphiques

Si nous augmentons ou diminuons bmi et hdl par simulation de Monte Carlo, comment les valeurs prévues de y (progression de la maladie) changeront‑elles ?

Définir les paramètres

cov_dia = dia[["age", "bmi", "bp", "tc", "ldl", "hdl", "tch", "ltg", "glu"]].cov()
mean_dia = dia[["age", "bmi", "bp", "tc", "ldl", "hdl", "tch", "ltg", "glu"]].mean()

Définir la fonction de simulation

def simulate_bmi_hdl(cov_dia, mean_list):

    list_ys = []
    for i in range(50):
        simulation_results = st.multivariate_normal.rvs(mean=mean_list, 
                                                        size=500, cov=cov_dia)
        df_results = pd.DataFrame(simulation_results, 
                                  columns=["age","bmi","bp","tc","ldl","hdl","tch","ltg","glu"])
        predicted_y = regr_model.predict(df_results)
        df_y = pd.DataFrame(predicted_y, columns=["predicted_y"])
        df_summary = pd.concat([df_results, df_y], axis=1)
        y = np.mean(df_summary["predicted_y"]) 
        list_ys.append(y)

    return(np.mean(list_ys))

Simuler sur un éventail de paramètres d'entrée

hdl = []
bmi = []
simu_y = []
for mean_hdl_inc in np.arange(-20, 50, 30): 
    for mean_bmi_inc in np.arange(-7, 11, 3):

        mean_list = mean_dia + np.array([0, mean_bmi_inc, 0, 0, 0, mean_hdl_inc, 0, 0, 0])
        hdl.append(mean_hdl_inc)
        bmi.append(mean_bmi_inc)

        mean_y = simulate_bmi_hdl(cov_dia, mean_list)

        simu_y.append(mean_y)

df_sa = pd.concat([pd.Series(hdl), pd.Series(bmi), pd.Series(simu_y)], axis=1)

df_sa.columns = ["hdl_inc", "bmi_inc", "y"]

DataFrames stylés des résultats de l'analyse de sensibilité

df_sa.sort_values(by=['hdl_inc', 'bmi_inc']).pivot(index='hdl_inc',
                                             columns='bmi_inc',
                                             values='y').style.background_gradient(
                                             cmap=sns.light_palette("red", as_cmap=True))

Le df_sa après tri, pivot et style

Graphique hexbin des résultats de l'analyse de sensibilité

df_sa.plot.hexbin(x='hdl_inc',y='bmi_inc', C='y',
                    reduce_C_function=np.mean,
                    gridsize=10, cmap="viridis",
                    sharex=False)

Un hexbin de df_sa

Graphique hexbin pour un espace de paramètres dense

Passons à la pratique !

Simulations de Monte-Carlo en Python