Das Dilemma zwischen Vorhersage und Inferenz

Maschinelles Lernen für Unternehmen

Karolis Urbonas

Head of Machine Learning & Science, AWS

Das Dilemma zwischen Inferenz und Vorhersage

Inferenz- oder Kausalmodelle:

Ziel: Faktoren verstehen, die ein Geschäftsergebnis beeinflussen
Inferenzorientierte Modelle sind interpretierbar
Weniger genau als Vorhersagemodelle

Vorhersagemodelle:

Vorhersage selbst ist Hauptziel
Sind nicht einfach interpretierbar, funktionieren wie „Black Box“
Viel genauer als Inferenzmodelle

Am Anfang steht die Geschäftsfrage

„Was begünstigt Betrug?“
- Inferenz
„Wie sehr beeinflusst Erkrankung X das Risiko für einen Herzinfarkt?“
- Inferenz
„Welche Transaktionen sind wahrscheinlich betrügerisch?“
- Vorhersage
„Besteht bei Patientin ein Risiko für einen Herzinfarkt?“
- Vorhersage

Datenstruktur für die Modellierung

inference-vs-prediction1

Zielvariable

inference-vs-prediction2

Eingangsmerkmale

inference-vs-prediction

Eingangsmerkmale nutzen

inference-vs-prediction4

Zielvariablen vorhersagen

inference-vs-prediction5

Fokus des Inferenzmodells

inference-vs-prediction6

Fokus des Vorhersagemodells

inference-vs-prediction7

Lass uns üben!

Maschinelles Lernen für Unternehmen

Preparing Video For Download...