Construção de um Modelo Probabilístico por meio da Análise de Comportamento de Clientes em Python

Por Ricardo Costa Val do Rosario e ChatGPT 4.0

TAREFA: Criar Modelo em Código Python com pgmpy

Abaixo está o código completo para construir o modelo probabilístico com as três variáveis:

HistóricoCompras, TempoNoSite, ClicouEmPromocao. Vamos assumir que ClicouEmPromocao depende de TempoNoSite, 
enquanto as outras são independentes.
from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD
from pgmpy.inference import VariableElimination

# 1. Definindo a estrutura do modelo (T -> P, H independente)
modelo = BayesianModel([('TempoNoSite', 'ClicouEmPromocao')])

# 2. Definindo as CPDs (Probabilidades condicionais)
cpd_hist_compra = TabularCPD(variable='HistoricoCompras',
                             variable_card=2,
                             values=[[0.7], [0.3]])  # 70% nunca compraram

cpd_tempo_site = TabularCPD(variable='TempoNoSite',
                            variable_card=2,
                            values=[[0.6], [0.4]])  # 60% pouco tempo

cpd_promo = TabularCPD(variable='ClicouEmPromocao',
                       variable_card=2,
                       evidence=['TempoNoSite'],
                       evidence_card=[2],
                       values=[[0.9, 0.5],    # P=0: não clicou
                               [0.1, 0.5]])   # P=1: clicou
                               
`# T=0 => P(1)=0.1; T=1 => P(1)=0.5`

# 3. Adicionando CPDs ao modelo
modelo.add_cpds(cpd_hist_compra, cpd_tempo_site, cpd_promo)

# 4. Verificando o modelo
assert modelo.check_model()

# 5. Inferência
inferencia = VariableElimination(modelo)
resultado = inferencia.query(variables=['ClicouEmPromocao'], evidence={'TempoNoSite': 1})
print(resultado)
from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD
from pgmpy.inference import VariableElimination

# 1. Definindo a estrutura do modelo (T -> P, H independente)
modelo = BayesianModel([('TempoNoSite', 'ClicouEmPromocao')])

# 2. Definindo as CPDs (Probabilidades condicionais)
cpd_hist_compra = TabularCPD(variable='HistoricoCompras',
                             variable_card=2,
                             values=[[0.7], [0.3]])  # 70% nunca compraram

cpd_tempo_site = TabularCPD(variable='TempoNoSite',
                            variable_card=2,
                            values=[[0.6], [0.4]])  # 60% pouco tempo

cpd_promo = TabularCPD(variable='ClicouEmPromocao',
                       variable_card=2,
                       evidence=['TempoNoSite'],
                       evidence_card=[2],
                       values=[[0.9, 0.5],    # P=0: não clicou
                               [0.1, 0.5]])   # P=1: clicou
# T=0 => P(1)=0.1; T=1 => P(1)=0.5

# 3. Adicionando CPDs ao modelo
modelo.add_cpds(cpd_hist_compra, cpd_tempo_site, cpd_promo)

# 4. Verificando o modelo
assert modelo.check_model()

# 5. Inferência
inferencia = VariableElimination(modelo)
resultado = inferencia.query(variables=['ClicouEmPromocao'], evidence={'TempoNoSite': 1})
print(resultado)