Appliquer la probabilité conditionnelle

Probabilité avancée : l’incertitude dans les données

Maarten Van den Broeck

Senior Content Developer at DataCamp

Comprendre la probabilité conditionnelle

• Probabilité que l’événement B survienne sachant que l’événement A a déjà eu lieu
• Exemple :
  • Le client a vu la page produit (événement A)

Comprendre la probabilité conditionnelle

• Probabilité que l’événement B survienne sachant que l’événement A a déjà eu lieu
• Exemple :
  • Le client a vu la page produit (événement A)
  • Le client va-t-il acheter ? (événement B)

Applications réelles de la probabilité conditionnelle

• Analyse de la rétention client :
  • Le client renouvellera-t-il vu l’usage des fonctions premium ?
• Détection de fraude :
  • Une transaction est-elle frauduleuse vu des dépenses inhabituelles ?
• Optimisation de la chaîne d’approvisionnement :
  • Risque de retard en cas de mauvais temps ?

Réviser les probabilités avec le théorème de Bayes

• Réviser les probabilités à la lumière de nouvelles preuves
• Départ : probabilités a priori + nouvelles données + vraisemblance

Réviser les probabilités avec le théorème de Bayes

• Réviser les probabilités à la lumière de nouvelles preuves
• Départ : probabilités a priori + nouvelles données + vraisemblance
• Arrivée : probabilités a posteriori

Modélisation bayésienne et décision

• Mises à jour continues à mesure que de nouvelles données arrivent
• Gérer l’incertitude et l’incomplet
• Adapter et améliorer la décision

Exemple : détection de fraude

• Modèle bayésien pour suivre la fraude CB
  • Probabilité a priori selon le secteur : 2%
• Nouvelle transaction
  • Changement brusque des dépenses
    • Présent dans 85% des fraudes
    • Seulement 5% des transactions légitimes
  • Probabilité a posteriori monte nettement à 25.8%
• Transaction signalée pour examen

Passons à la pratique !

Probabilité avancée : l’incertitude dans les données