(Luận văn thạc sĩ) áp dụng các kỹ thuật suy luận nhân quả trong chiến lược định giá

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ MINH TÂN ÁP DỤNG CÁC KỸ THUẬT SUY LUẬN NHÂN QUẢ TRONG CHIẾN LƯỢC ĐỊNH GIÁ NGÀNH: KHOA HỌC MÁY TÍNH – 8480101 SKC007262 Tp Hồ Chí Minh, tháng 04/2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ MINH TÂN ÁP DỤNG CÁC KỸ THUẬT SUY LUẬN NHÂN QUẢ TRONG CHIẾN LƯỢC ĐỊNH GIÁ NGÀNH: KHOA HỌC MÁY TÍNH – 8480101 Hướng dẫn khoa học: TS LÊ VĂN VINH Tp Hồ Chí Minh, tháng năm 2021 [32] Jisheng Kou, Yitian Li, "Modified Chebyshev–Halley methods with sixthorder convergence", Elsevier’s Applied Mathematics and Computation, Vol 188, 2007, pp 681–685 [33] Jingchen Liu, Xin Zhai, Lihua Chen, “Optimal Pricing Strategy under Trade-in Program in the Presence of Strategic Consumers”, Omega, Vol 84, pp 1-17, 2019 [34] Ling-Chieh Kung, Guan-Yu Zhong, "The optimal pricing strategy for twosided platform delivery in the sharing economy", Elsevier’s Transportation Research, Vol 101, pp 1-12, 2017 [35] Elif Dogu, Y Esra Albayrak, "Criteria evaluation for pricing decisions in strategic marketing management using an intuitionistic cognitive map approach", Springer's Soft Computing, Vol 22, 2018, pp 4989–5005 [36] Liping Deng, Jin Che, Huan Chen, and Liang-Jie Zhang, "Research on the Pricing Strategy of the CryptoCurrency Miner’s Market", Springer's International Conference on Blockchain, 2018, pp 228-240 [37] James M Hunt and Howard Forman, "The role of perceived risk in pricing strategy for industrial products: a point-of-view perspective", Journal of Product & Brand Management, Vol 15, No 6, 2006, pp 386-393 [38] U.S Bureau of Labor Statistics, “Average Annual Pay by State and Industry, 1994”, 1995 [39] Barbara Franci and Sergio Grammatico, "A game–theoretic approach for Generative Adversarial Networks", 2020 59th IEEE Conference on Decision and Control (CDC), 2020, pp 1646-1651 [40] Akshat Kishorea, Anupam Kumarb, and Nobel Dang, "Enhanced Image Restoration by GANs using Game Theory", Elsevier's Procedia Computer Science, Vol 173, 2020, pp 225-233 [41] Fröhlich, Markus, Sperlich, and Stefan, Impact evaluation, treatment effects and causal analysis, 2019, Chapter 1, page 10 [42] Fröhlich, Markus, Sperlich, and Stefan, Impact evaluation, treatment effects and causal analysis, 2019, Chapter 3, page 147 77 [43] Fröhlich, Markus, Sperlich, and Stefan, Impact evaluation, treatment effects and causal analysis, 2019, Chapter 1, page 11 [44] Fröhlich, Markus, Sperlich, and Stefan, Impact evaluation, treatment effects and causal analysis, 2019, Chapter 1, page 35 [45] Weisstein, Eric W "Statistical Correlation." From MathWorld A Wolfram Web Resource https://mathworld.wolfram.com/StatisticalCorrelation.html [46] Fröhlich, Markus, Sperlich, and Stefan, Impact evaluation, treatment effects and causal analysis, 2019, Chapter 4, page 218 [47] Deborah M Todd, "Galaxy Note recall did not damage Samsung brand in U.S.: Reuters/Ipsos poll", Reuters, 2016 https://www.reuters.com/article/ussamsung-elec-recall-brand-idUSKBN13F146 [48] Dominick's Dataset - Kilts Center, Chicago Booth Accessed on: May 30, 2020 [Online] Available: https://www.chicagobooth.edu/research/kilts/datasets/dominicks 78 BÀI BÁO ÁP DỤNG CÁC KỸ THUẬT SUY LUẬN NHÂN QUẢ TRONG CHIẾN LƯỢC ĐỊNH GIÁ Applying Causal Inference Techniques to Pricing Strategies Le Minh Tan , Le Van Vinh Học viên trường đại học Sư phạm Kỹ thuật TP.HCM Trường đại học Sư phạm Kỹ thuật TP.HCM TÓM TẮT Ứng dụng máy học vào lĩnh vực suy luận nhân dần trở nên phổ biến Trong năm vừa qua, có nhiều phương pháp đề xuất ý Chúng có mục tiêu chung ước lượng hiệu ứng liệu pháp để giải toán mà mơ hình máy học truyền thống xem không phù hợp Bài báo đặt mục tiêu cải tiến phương pháp Rừng Ngẫu Nhiên Trực Giao hiệu trình bày vào năm 2019 ứng dụng vào toán chiến lược định giá Một cách ngắn gọn, thay thực tính tốn điểm số dựa giả thiết hàm mơ-men xác, mơ hình ước lượng sử dụng Giải pháp xuất phát từ ý tưởng hệ số lỗi tập mẫu tuyệt đối liên quan đến mơ-men gia tăng q trình phân chia tập liệu Vì vậy, việc tính tốn điểm xác bỏ qua trường hợp Đề xuất giúp cải thiện mơ hình theo hướng tốn so sánh với việc tăng số nhiều giải pháp khác vốn thường ảnh hưởng tốc độ học Các thử nghiệm với liệu giả lập liệu thực thực nghiệm để đánh giá hiệu mơ hình việc giải tốn gợi ý chiến lược định giá vốn đề cao việc tối ưu hóa lợi ích doanh nghiệp Từ khóa: Suy luận nhân quả, Rừng Ngẫu Nhiên Trực Giao, ước lượng nghiệm, máy học, kinh tế lượng, chiến lược định giá ABSTRACT Machine Learning usage in causal Inference is being popular lately In the last years, some proposed methods have been highly noticed Those have the same purpose of estimating treatment effect to deal with problems that traditional models are concerned unsuitable This paper aimed to improve the highly effective Orthogonal Random Forest which was introduced in 2019 and apply to pricing strategy problems In short, instead of calculating scores based on moment function assumption precisely, we would like to use estimation This comes from the idea that absolute sampling errors related to the moment may increase while splitting data Therefore, exact score finding can accidentally skip those Moreover, the solution supports in tuning the model with low cost comparing with tree increments or some other solutions, which usually harm the training speed Simulated data as well as real data were tested to see how effective the model was in solving pricing strategies problems Keywords: Causal inference, Orthogonal Random Forest, Root estimation, Machine learning, Econometrics, Pricing strategies GIỚI THIỆU Chiến lược định giá gồm phương pháp thiết lập giá sản phẩm/dịch vụ cho tối ưu hóa lợi nhuận Định giá chìa khóa mang đến thành cơng, hồn tồn khơng dễ để thực phụ thuộc vào yếu tố chi phí sản xuất, chất sản phẩm,… Một ví dụ tiêu biểu kiện liên quan đến điện thoại Samsung Galaxy Note năm 2016 Vì lỗi kỹ thuật pin, báo cáo cho thấy điện thoại có khả phát nổ, gây nguy hiểm đến người dùng Một năm sau, Samsung mắt Galaxy Note Fan Edition (FE) với cấu hình giá tương đương với tiền 79 nhiệm Đây hời với khách hàng Tuy nhiên, xét mẫu điện thoại đời sau Note 8, giá trị chúng giảm đến 44% sau năm mắt FE sản phẩm đánh vào khách hàng trung thành không đơn điện thoại tân trang Dữ liệu cho thấy có đến 91% người dùng Samsung Mỹ có khuynh hướng mua điện thoại hãng [1] Có sở để nói cơng ty xét đến trung thành, thương hiệu nhiều yếu tố khác trước định giá Về mặt lý thuyết, có nhiều chiến lược định giá Bài tập trung chiến lược định giá tâm lý sử dụng số giá trị khơng làm trịn định giá giảm phổ biến Suy luận nhân nhiều phương pháp hiệu ứng dụng chiến lược định giá Mục đích để ước lượng hiệu ứng hệ tác nhân thay đổi cách khai thác mối quan hệ nhân Những mối quan hệ mức cao tương quan thường thể thông qua sơ đồ quan hệ Hình 21.Sơ đồ nhân có tham gia biến nhiễu W Trong sơ đồ trên, W biến nhiễu, D biến liệu pháp/chiến lược, X biến giải thích/độc lập Y hệ quả/biến phụ thuộc Với hiệu ứng đối tượng, hiệu ứng liệu pháp đơn vị tính [2]: ( ) = ( = 1) − ( = 0) (1) Bằng câu từ, hàm hiểu hệ có liệu pháp trừ cho hệ khơng có liệu pháp hiệu ứng đơn vị Trong thực tế, người ta quan tâm đến hệ số hiệu ứng liệu pháp trung bình, vốn phản ánh hiệu ứng mang tính tổng quát [3]: = [ | = 1] − [ | = 0] (2) Kỳ vọng dự đốn mơ hình máy học, trường hợp này, giá trị trung bình ATE xác định tham số thống kê, tức phản ánh ATE tồn tập hợp Các thuật tốn suy luận nhân dự đoán tham số hiệu ứng nêu đóng vai trị góp ý cho người đưa định mang tính chiến lược, liệu pháp Ở thời kỳ đầu, mơ hình hồi quy mong đợi giải tốn Chúng thường hiệu với liệu chiều, dẫn đến kết luận khơng biến có mối tương quan thay quan hệ nhân Một thời gian sau, nghiên cứu sâu vào việc khai thác tính nhân Có thể kể đến đề xuất liên quan đến Khoa Học Máy Tính thuộc nhóm unconfoundedness Double Machine Learning (DML) [4], mơ hình dựa rừng, nhóm meta-learners,… phương pháp ước lượng biến điều khiển: Hồi quy Two-Stage Least Squares [5] [6], Deep IV (2017) [7] Nhóm unconfoundedness, sử dụng mơ hình nhân hình 1, phát triển so với ước lượng biến điều khiển Nhóm đặt giả định biến nhiễu W đầy đủ quan sát liệu Khác với biến nhiễu, việc thu thập phân loại biến điều khiển thực khó khăn chúng thường khơng ổn định Các biến trở thành biến điều khiển thuyết phục, có lúc tính chất trở nên mơ hồ, khiến mối liên kết biến điều khiển phần lại khơng rõ ràng Vậy nên, mơ hình thuộc nhóm ước lượng IV đặt giả định tồn biến điều khiển vững Từ vấn đề vừa đề cập, nhìn chung, phương pháp sử dụng biến điều khiển đánh giá khơng có nhiều triển vọng ứng dụng lĩnh vực kinh tế [8] Nhóm dựa rừng bao gồm mơ hình dựa phương pháp rừng Khởi đầu Rừng 80 Ngẫu Nhiên Tổng Quát - Generalized Random Forests [9] vốn lấy rừng ngẫu nhiên Breiman (2001) làm sở khái niệm Rừng Nhân Quả đời Điểm yếu bật giải pháp hiệu thực biến nhiễu nhiều chiều Rừng Ngẫu Nhiên Trực Giao – Orthogonal Random Forest (ORF) [10] đề xuất vào năm 2019 dựa Rừng Ngẫu Nhiên DML Thử nghiệm giả lập báo chứng minh thuật toán hiệu Một điểm mạnh ORF tính linh hoạt: Bản chất DML hàm tham chiếu với hàm bên phi tham chiếu nên DML xếp vào nhóm mơ hình bán tham chiếu Mơ hình rừng ORF dạng phi tham chiếu mà việc chia nhánh thực DML Tính linh hoạt giúp ORF giải tập liệu phức tạp, nhiều chiều Điểm số nhánh tính tính nghiệm Newton: Trong q trình học, ORF xây dựng rừng bao gồm nhiều nhị phân Việc chia tách nút vấn đề chia tập liệu thành tập ứng với nút cần phải đạt hiệu Mơ hình tính tốn điểm cách ước lượng chênh lệch hiệu ứng liệu pháp trung bình nút cha nút Đề xuất cải tiến dựa ý tưởng việc ước lượng điểm ước lượng nghiệm hiệu tính tốn nghiệm xác Tính nghiệm tác động tích cực đến độ xác hiệu năng, việc tính DML khơng cần thiết Tuy nhiên, chia nhỏ liệu liên tục, hệ số lỗi xây dựng tập mẫu phát sinh có xu hướng tăng nhanh đáng kể Lúc này, khơng cịn phản ánh tham số tập mẫu ban đầu hay quần thể Ý tưởng kết hợp ORF với giải pháp ước lượng nghiệm Từ đó, giá trị lỗi phụ thuộc vào mơ hình ước lượng thêm vào khơng phủ định phương trình mơ-men ban đầu = Điểm đề xuất trung bình cộng điểm hai nhánh = Điều kiện mô-men ORF có dạng [9]: ̃̃ ̃ [ Ở CẢI TIẾN − đây, mơ-men có giá trị kỳ vọng ̃, ̃ phần dư liệu pháp hệ Từ định nghĩa có ̃ = − [ | , ] ̃ = − [ | , ] Gọi Hàm tính điểm ( ), ( ) xét theo mô-men trở thành: 2.1 Bổ sung hệ số lỗi dựa hàm phi tuyến tính ̃̃ ̃ Nhiều mơ hình ước lượng nghiệm phi tuyến tính đề xuất Nhiều giải pháp yêu cầu phương trình bậc cao để đổi lại tốc độ hội tụ, số cịn lại khơng đặt u cầu Điều kiện mơ-men nâng lên bậc hai Vì vậy, nhóm khơng u cầu bậc cao có tốc độ lớn bậc hai (tốc độ Newton) chọn Ước lượng nghiệm áp dụng vào ORF có dạng: ( )= − Mục đích tìm phù hợp để giảm So với ( 0), với nút cha, phù hợp cho ( ) cho | ( 0) − ( )| lớn Trong ORF, với nút chuẩn bị chia, thuật toán đề xuất ngẫu nhiên cách chia, gồm thuộc tính ngưỡng Tính nghiệm Newton ORF dùng có dạng: = (5) − ̃ = − ( ) Ta nâng bậc mơ-men ban đầu thành hàm bình phương để tồn đạo hàm bậc hai: ( )= ( ) =− ′ Bước tạo thêm nghiệm = Giải pháp với lần ước lượng, thuật tốn cần phải tìm thêm đường phân chia có dạng = kiểm tra nằm phía hội tụ hay nghiệm xác Phần đề cập kỹ phần sau 81 Hầu hết phương pháp ước lượng nghiệm hội tụ nhanh Newton gốc Với phương trình bậc hai đơn giản, tốc độ nhanh không đảm bảo hiệu cải thiện theo Trong báo này, hai phương pháp chọn Chebyshev-Halley với tốc độ hội tụ mũ Newton Cải Tiến hội tụ mức + √2 Ước lượng nghiệm khơng đưa kết xác Gọi giá trị lỗi phát sinh Với đề xuất ước lượng nghiệm, | | lớn theo chênh lệch 2.2 Ước lượng nghiệm Chebyshev – Halley Cùng với Newton, Chebyshev – Halley [11] [12] phương pháp ước lượng nghiệm kinh điển Hàm tính điểm có dạng: Với ( 0) định nghĩa: < định nghĩa: màu xanh thể hàm trung gian nâng bậc hai từ điều kiện mô-men, với điểm A B có nút cha Khoảng cách hai điểm sai số phương pháp ước lượng nghiệm gây Bước xác định điểm hội tụ quan trọng, nhằm tránh trường hợp nghiệm không với hàm bậc ban đầu lượng rừng, giảm ngưỡng vốn làm chậm tốc độ học hay dự đoán Dù áp dụng mơ hình ước lượng nghiệm tốn Ảnh ví dụ bên vẽ đường màu cam ứng với điều kiện mô-men ban đầu đường ≠ có ý nghĩa với 82 Nhiều phương pháp không cần nâng bậc cải thiện tốc độ Newton Cải Tiến [13] số Dựa Newton gốc kết hợp với phương pháp hai bước dự đoán – chỉnh sửa, ′′( ) trở nên không cần thiết Tuy vậy, việc nâng bậc đề cập ban đầu cần phải thực ( =− ′ 0) − ( ) xác định là: 1= 0− ′( Newton Cải Tiến chứng minh có tốc độ hội tụ + √2 ≈ 2.414, Newton, chậm Chebyshev-Halley Giá trị lỗi phương pháp là: ( )=− THỰC NGHIỆM Hai thử nghiệm tiến hành cho liệu giả lập liệu thật Mơ hình khởi tạo liệu giả lập theo mơ hình tham khảo: 83 tính bậc một, việc ATE giảm có lợi trường hợp Bảng 17.Phần trăm tăng hay giảm hệ số lỗi MAE so với Newton gốc Bảng 18.Phần trăm tăng hay giảm hệ số lỗi MSE so với Newton gốc Bảng 19.Phần trăm tăng hay giảm hệ số lỗi tuyệt đối ATE so với Newton gốc Hiệu ứng Hệ số phần trăm tỉ lệ tăng hay giảm hệ số lỗi so với phương pháp Newton ban đầu Dấu dương tức hệ số lỗi tăng âm ngược lại Các giá trị in đậm hệ số lỗi giảm Dựa vào kết trên, Chebyshev – Halley ( = 3) phù hợp với liệu so với phương pháp ước lượng nghiệm khác Kết với giả lập = 50 tương đồng, MAE ATEE đề xuất trội Nhưng lúc này, Newton cải tiến đánh giá ổn hơn, giảm lỗi ATE giá trị support Mức giảm tốt 16.04%, thấp 0.07% Như vậy, mơ hình ước lượng nghiệm chọn hiệu hay khơng cịn tùy thuộc vào liệu học Workwom Hiệu ứng Thực nghiệm với liệu thật cho thấy kết Hình 24.Hiệu ứng đơn vị chiến lược định giá tâm lý dự đốn Newton gốc khơng khác biệt nhiều suy luận tổng quan dựa dự đốn Newton cải tiến cho nhìn rõ ràng nhất, cho thấy liệu phù hợp với cải tiến Với liệu thật, tính tốn hệ số đánh giá mơ hình, hiệu ứng nhân khơng có liệu ban đầu 84 Workwom Workwom Hình 25.Hiệu ứng đơn vị chiến lược định giá tâm lý dự đoán Newton Cải Tiến Hiệu ứng Với tiêu chí đảm bảo hiệu ứng mức cao ổn định, chiến lược đưa lựa chọn khu vực có tỉ lệ nữ giới có việc làm tồn thời gian (workwom) 35% Hiệu ứng Hình 26.Hiệu ứng đơn vị chiến lược định giá giảm dự đốn Newton gốc Workwom Hình 27.Hiệu ứng đơn vị chiến lược định giá giảm dự đoán Newton Cải Tiến Dự đoán cho chiến lược định giá giảm cho thấy hiệu ứng ổn định, có xu hướng giảm workwom tăng, giảm mạnh workwom mức từ 45% Trường hợp này, doanh nghiệp áp dụng chiến lược giảm giá trọng tâm khu vực có tỉ lệ phụ nữ có việc làm toàn thời gian 45% chọn Chebyshev – Halley, Newton cải tiến hay mơ hình khác cần phải xem xét, đánh giá dựa thử nghiệm Đây cơng việc khó khăn, tốn nhiều thời gian nên xem hạn chế phương pháp Với phát triển lĩnh vực kinh tế lên gần đây, chiến lược định giá trở thành công việc thiết yếu có yếu tố định với doanh nghiệp lớn, vừa nhỏ Các hình thức kinh doanh sau mua bán trao đổi [15], giao hàng hai phía [16] địi hỏi việc xác định giá nhanh xác Đó sở kỳ vọng cho phát triển suy luận nhân với chiến lược định giá nói chung tương lai KẾT LUẬN Có thể nhận thấy việc đưa chiến lược có yếu tố chủ quan người Các mơ hình suy luận nhân đóng vai trị gợi ý định chiến lược tự đưa định thay người Ngoài chất liệu, chủ động từ người xác định trước chiến lược định giá giúp ích nhiều Rừng Ngẫu Nhiên Trực Giao mơ hình hiệu Phương pháp đề xuất đạt mục tiêu cải thiện độ xác mà khơng đánh đổi tốc độ học mơ hình Kết từ thực nghiệm cho thấy tốc độ hội tụ định độ hiệu cải tiến Đối với liệu cụ thể, độ hiệu khác Vậy nên, việc lựa LỜI CẢM ƠN Xin cảm ơn Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh Ý kiến đóng góp, phản biện quý Thầy Cô nhà trường tiền đề để chúng tơi hồn thành cơng trình 85 TÀI LIỆU THAM KHẢO [1] Deborah M Todd, Galaxy Note recall did not damage Samsung brand in U.S.: Reuters/Ipsos poll, Reuters, 2016 https://www.reuters.com/article/us-samsungelec-recall-brand-idUSKBN13F146 [2] Whitney K Newey, Efficient Estimation of Models with Conditional Moment Restrictions, Elsevier’s Handbook of Statistics 11, pp 419-425, 1993 [3] Fröhlich, Markus, Sperlich, and Stefan, Impact evaluation, treatment effects and causal analysis, Cambridge University Press, first published, pp 147, 2019 [4] Victor Chernozhukov, Denis Chetverikov, Mert Demirer, Esther Duflo, Christian and Hansen, and Whitney Newey, Double Machine Learning for Treatment and Causal Parameters, CeMMAP working papers, 2016 [5] Guido W Imbens, Instrumental Variables: An Econometrician’s Perspective, Institute of Mathematical Statistics’s Statistical Science 29, No 3, pp 323-358, 2014 [6] Lecture Notes on Advanced Econometrics Accessed on: Jul 20, 2020 [Online] Available: http://www3.grips.ac.jp/~yamanota/Lecture%20Note%208%20to %2010%202SLS%20& %20others.pdf [7] Jason Hartford, Greg Lewis, Kevin Leyton-Brown and Matt Taddy, Deep IV: A Flexible Approach for Counterfactual Prediction, Proceedings of the 34th International Conference on Machine Learning, pp 1414-1423, 2017 [8] Natalie Mizik and Dominique M Hanssens, Elgar’s Handbook of Marketing Analytics, Edward Elgar Publishing Limited, first published, pp 144, 2018 [9] Susan Athey, Julie Tibshirani and Stefan Wager, Generalized Random Forests, The Annals of Statistics 47, No 2, pp 1148-1178, 2019 [10] Miruna Oprescu, Vasilis Syrgkanis and Zhiwei Steven Wu, Orthogonal Random Forest for Causal Inference, Proceedings of the 36th International Conference on Machine Learning, pp 4932-4941, 2019 [11] Zhongyong Hu, Xiaoyan Ma, and Jing Li, A Note on Chebyshev-Halley Method with Data Analysis CSEE 2011: Springer’s Advances in Computer Science, Environment, Ecoinformatics, and Education, pp 481-484, 2011 [12] M A Hernández and M A Salanova, A family of Chebyshev-Halley type methods, International Journal of Computer Mathematics 47, pp 59-63, 1993 [13] Trevor J McDougall, and Simon J Wotherspoon, A simple modification of Newton’s method to achieve convergence of order 1+√2, Elsevier's Applied Mathematics Letters 29, pp 20-25, 2014 [14] Dominick's Dataset - Kilts Center, Chicago Booth Accessed on: May 30, 2020 [Online] Available: https://www.chicagobooth.edu/research/kilts/datasets/dominicks [15] Jingchen Liu, Xin Zhai, Lihua Chen, Optimal Pricing Strategy under Trade-in Program in the Presence of Strategic Consumers, Omega 84, pp 1-17, 2019 [16] Ling-Chieh Kung, Guan-Yu Zhong, The optimal pricing strategy for two-sided platform delivery in the sharing economy, Elsevier’s Transportation Research 101, pp 1-12, 2017 Tác giả chịu trách nhiệm viết: Họ tên: Lê Minh Tân Đơn vị: Khơng có Điện thoại: 0932.751.620 86 Email: leminhtanvatc@outlook.com 87 ...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ MINH TÂN ÁP DỤNG CÁC KỸ THUẬT SUY LUẬN NHÂN QUẢ TRONG CHIẾN LƯỢC ĐỊNH GIÁ NGÀNH: KHOA... Máy Tính Tên luận văn: Áp dụng kỹ thuật suy luận nhân chiến lược định giá Ngày & nơi bảo vệ luận văn: 22/04/2021, Đại học Sư phạm Kỹ thuật Tp Hồ Chí Minh Người hướng dẫn: TS Lê Văn Vinh III Q... này, kỹ thuật máy học áp dụng suy luận nhân chiến lược định giá Có hai nhóm phương pháp Ở nhóm đầu tiên, biết đến với tên “unconfoundedness”, sử dụng mơ hình mơ-men có điều kiện mà theo giả định