Sensitivity analysis

Python में Monte Carlo Simulations

Izzy Weber

Curriculum Manager, DataCamp

Sensitivity analysis

इनपुट रेंज के प्रभाव को समझने में मदद मिलती है
तालिकाओं या प्लॉट्स में सारांशित करने पर पैटर्न/ट्रेंड दिखते हैं

यदि हम Monte Carlo simulation से bmi और hdl के मान बढ़ाएँ या घटाएँ, तो अनुमानित y मान (disease progression) कैसे बदलेंगे?

पैरामीटर्स परिभाषित करना

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()

सिमुलेशन फंक्शन परिभाषित करना

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))

इनपुट पैरामीटर्स की रेंज के साथ सिमुलेशन चलाएँ

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"]

Sensitivity analysis के परिणामों के Styled DataFrames

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))

Sorting, pivoting, और styling के बाद df_sa

Sensitivity analysis परिणामों का Hexbin प्लॉट

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

df_sa का hexbin

घने पैरामीटर स्पेस का Hexbin प्लॉट

अभ्यास करते हैं!

Python में Monte Carlo Simulations