Dans de nombreux scénarios métiers, les indicateurs les plus importants ne sont pas directement mesurables ; ils sont dits cachés ou latents. L'action dynBnet excelle dans l'estimation de ces états invisibles en se basant sur des variablesColonnes d'une table SAS contenant des données spécifiques (numériques ou caractères). Elles possèdent des attributs comme le nom, le type, la longueur, l'étiquette et le format d'affichage. observées. Grâce au paramètre variableRoles, vous pouvez classifier vos données en rôles distincts comme HIDDEN, OBSERVED ou CONTROL. Cette capacité de filtrage temporel permet, par exemple, d'estimer l'usure réelle d'une pièce mécanique (cachée) à partir de vibrations et de températures mesurées, offrant ainsi une vision prédictive bien plus fine que l'analyse descriptive traditionnelle.
Pourquoi la modélisation des variables cachées est-elle le nouvel avantage compétitif de votre stratégie Data ?
Exemples pour l'action dynBnet
Exécution de base d'un réseau bayésien dynamique
Calcul de l'évolution des croyances avec les tables minimales requises : données d'observation, liens du réseau et rôles des variables.
Configuration avancée de dynBnet
Utilisation de paramètres avancés tels que l'approximation linéaire UNSCENTED, le seuil de synchronisation, les croyances initiales et plusieurs tables de sortie pour une analyse approfondie.