Nilai Shapley

Definisi Nilai Shapley

Nilai Shapley adalah sistem yang menentukan kontribusi pemain individu ketika dua atau lebih pemain bekerja sama satu sama lain. Imbalan individu ditentukan berdasarkan kontribusi yang tidak sama dari masing-masing pemain.

Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel menjadi Hyperlink
Misalnya: Sumber: Nilai Shapley (wallstreetmojo.com)

Shapley metode memberikan kredit yang sama atau dibenarkan kepada peserta yang berhak — yang memiliki volume kontribusi yang tinggi. Solusi nilai Shapley diterapkan dalam bisnis, AI, pembelajaran mesin, pemrograman, Python, dan pemasaran.

Takeaway kunci

Nilai Shapley adalah turunan dari biaya yang diterapkan dan laba yang diperoleh—didistribusikan secara merata di antara para pemain—berdasarkan kontribusi individu.
Dalam pembelajaran mesin, Shapley nilai-nilai mempekerjakan permainan teori untuk mengidentifikasi kontribusi yang tepat dari masing-masing pemain. Selain itu, metode Shapley menjelaskan proyeksi yang dibuat oleh model nonlinear.
Di Python, fungsi nilai Shapley digunakan untuk menginterpretasikan model pembelajaran mesin.
Untuk perhitungan nilai Shapley, Lloyd Stowell Shapley memperkenalkan teori permainan nilai Shapley ke semua kombinasi pemain. Untuk mencapai ini, kontribusi marjinal rata-rata ditentukan.

Nilai Shapley Dijelaskan

Teori permainan nilai Shapley diperkenalkan oleh Lloyd Stowell Shapley pada tahun 1951. Pada tahun 2012, Shapley memenangkan hadiah peringatan Noble atas kontribusinya pada Ilmu Ekonomi. Dia adalah seorang ahli matematika Amerika yang melakukan penelitian ekstensif tentang teori permainan.

Teori permainan memodelkan interaksi antara banyak pemain dalam skenario apa pun dengan aturan khusus dan konsekuensi yang dapat diukur. Mereka digunakan untuk menganalisis situasi yang melibatkan pengambilan keputusan dengan sumber daya terbatas, hasil yang dihasilkan dari pilihan yang berbeda, dan kemungkinan persaingan atau kolaborasi antar pemain.

Setiap kali lebih dari dua pemain terlibat dalam suatu proses, peserta berkolaborasi. Akibatnya, setiap pemain mengeluarkan tingkat keterampilan, kemampuan, dan kinerja. Tetapi sulit untuk menghitung hasil individu yang dicapai melalui kolaborasi. Di sinilah metode Shapley masuk. Solusi ini diterapkan untuk menentukan pemain mana yang berkontribusi lebih banyak. Secara khusus, ini menentukan apakah upaya pemain tertentu membawa mereka lebih dekat ke gawang atau tidak.

Model Shapley terdiri dari tim pemain yang berkolaborasi untuk mencapai keuntungan keseluruhan. Beberapa pemain berkontribusi lebih banyak dan beberapa lebih sedikit. Karena kontribusinya tidak sama, berapa imbalan yang harus diperoleh setiap pemain? Metode Shapley memberikan jawaban numerik untuk masalah itu. Selanjutnya, pemain memiliki gagasan tentang siapa yang berkontribusi berapa banyak. Akibatnya, pemain yang berkontribusi lebih banyak memiliki daya tawar yang lebih besar.

Perhitungan nilai Shapley dilakukan dengan mengukur selisih rata-rata dari semua kombinasi. Nilai Shapley adalah kontribusi marjinal rata-rata pemain dalam agregasi dari semua kemungkinan kombinasi.

Solusi Shapley memecahkan koalisi kelompok yang kompleks; itu menentukan imbalan dan kinerja individu. Dengan demikian, distribusi kredit menjadi mudah—ini adalah sistem yang adil—pemain yang berkontribusi lebih banyak (terhadap hasil) mendapat lebih banyak kredit.

Metode Shapley memiliki keunggulan tersendiri; itu memperhitungkan faktor-faktor yang tidak dapat dihitung. Misalnya, ketika kerja sama antara dua atau lebih pemain dianalisis, faktor-faktor seperti kerja sama tim, kerja sama, atau sikap proaktif tidak dapat diukur dalam nilai. Akibatnya, solusi Shapley diterapkan secara luas dalam mempelajari model ekonomi, model bauran pasar, perhitungan kerugian kerugian, dan distribusi lini produk.

Contoh

Mari kita lihat contoh untuk memahami metode Shapley.

Julia membuka toko baru—dia menjual perhiasan dan aksesori buatan tangan. Tokonya terletak di New York. Akibatnya, dia mendapat eksposur yang cukup besar. Meski begitu, Julia ingin melakukan pemasaran dan periklanan yang luas untuk produknya.

Di antara pilihan pemasaran yang berbeda, dia memilih Billboard, promosi radio, iklan surat kabar, dan pemasaran media sosial.

Dalam dua minggu, tokonya ramai. Untuk menganalisis kesuksesan, Julia dapat menerapkan sistem Shapley untuk mengisolasi saluran pemasaran yang sukses, pemain kunci, dan demografi pengunjung. Dengan demikian, Jula dapat menentukan pemain mana yang paling berkontribusi terhadap langkah kaki—dan peran individu yang dimainkan oleh berbagai pemasar.

Julia juga dapat mempersempit saluran pemasaran tertentu berdasarkan perhitungan nilai Shapley. Dia dapat memotong anggaran pemasarannya dengan menghapus saluran pemasaran lainnya.

Penafsiran

Untuk menginterpretasikan konsep Shapley, mari kita pertimbangkan fasilitas manufaktur yang membuat kemeja linen.

Satu set tim melakukan manufaktur. Setiap tim selanjutnya terdiri dari empat karyawan. Kelompok pertama terdiri dari Ambrose, Billy, Cathy, dan Donna.

Setiap bulan tim pertama memproduksi kaos sebanyak X; pemilik perusahaan senang dengan kontribusi karyawan dan ingin memberi penghargaan kepada mereka dengan distribusi berdasarkan kinerja.

Untuk insentif berbasis kinerja, manajemen harus menentukan kontribusi karyawan tertentu dalam pembuatan kemeja nomor X. Tetapi interpretasi kontribusi individu itu rumit — faktor-faktor tertentu tidak dapat dihitung — kerja sama, kerja tim, pembagian kerja, saling pengertian, atau sikap proaktif.

Akibatnya, manajemen menerapkan metode Shapley. Kemudian, mereka mengikuti langkah-langkah berikut:

Pertama, mereka menentukan berapa kaos yang diproduksi oleh seluruh tim (dalam sebulan).
Kemudian fokus bergeser ke arah masing-masing pemain. Misalnya, penilaian dimulai dengan Billy. Kemudian analisis mengecualikan Billy dan mempertimbangkan semua himpunan bagian yang mungkin. Dalam hal ini, kontribusi Ambrose, Cathy, dan Donna dianalisis.
Secara total, delapan himpunan bagian yang berbeda dibangun. Selanjutnya, nilai marjinal dari setiap subset dihitung. Akhirnya, nilai ini dibandingkan dengan nilai marjinal dari himpunan bagian yang dibangun lainnya.

Pertanyaan yang Sering Diajukan (FAQ)

Bagaimana cara menghitung nilai Shapley?

Nilai Shapley dihitung dengan mengukur rata-rata rata-rata perbedaan yang diamati dari semua kombinasi pemain. Untuk mencapai ini, kontribusi marjinal rata-rata ditentukan.

Apa nilai Shapley dalam pembelajaran mesin?

Dalam pembelajaran mesin, nilai Shapley digunakan untuk menjelaskan proyeksi yang dibuat oleh model nonlinier. Metode Shapley menyoroti fitur yang berkontribusi pada prediksi. Metode Shapley memperhitungkan setiap kumpulan data (pemain). Dibutuhkan satu bagian data darinya dan menerapkannya dalam kombinasi dengan data lain dari kumpulan data lain (pemain). Pada akhirnya, kita sampai pada satu nilai—kontribusi marjinal rata-rata.

Apa nilai Shapley di Python?

Fungsi regresi nilai Shapley di Python digunakan untuk menginterpretasikan model pembelajaran mesin. Ini memfasilitasi distribusi perhitungan dan pembayaran yang mudah. Jika ada model yang prediksinya diketahui, maka solusi Shapley dapat diterapkan untuk mencari selisih antara nilai aktual dan nilai prediksi.

Artikel yang Direkomendasikan

Artikel ini telah menjadi panduan untuk Nilai Shapley dan definisinya. Di sini, kami menjelaskan interpretasinya, beserta contohnya. Anda dapat mempelajarinya lebih lanjut dari artikel berikut –