Bedingte Wahrscheinlichkeit anwenden

Fortgeschrittene Wahrscheinlichkeitsrechnung: Unsicherheit in Daten

Maarten Van den Broeck

Senior Content Developer at DataCamp

Bedingte Wahrscheinlichkeit verstehen

• Wahrscheinlichkeit von Ereignis B, gegeben dass A bereits eingetreten ist
• Beispiel:
  • Kunde hat die Produktseite angesehen (Ereignis A)

Bedingte Wahrscheinlichkeit verstehen

• Wahrscheinlichkeit von Ereignis B, gegeben dass A bereits eingetreten ist
• Beispiel:
  • Kunde hat die Produktseite angesehen (Ereignis A)
  • Kauft der Kunde? (Ereignis B)

Praxisbeispiele für bedingte Wahrscheinlichkeit

• Kundenbindung:
  • Verlängert ein Kunde, gegeben seine Nutzung von Premium-Features?
• Betrugserkennung:
  • Ist eine Transaktion betrügerisch, gegeben ungewöhnliche Ausgabemuster?
• Lieferkettenoptimierung:
  • Verzögerungswahrscheinlichkeit bei schlechtem Wetter?

Wahrscheinlichkeiten mit dem Bayes-Theorem anpassen

• Wahrscheinlichkeiten anhand neuer Evidenz anpassen
• Start: Prior-Wahrscheinlichkeiten + neue Daten + Likelihood

Wahrscheinlichkeiten mit dem Bayes-Theorem anpassen

• Wahrscheinlichkeiten anhand neuer Evidenz anpassen
• Start: Prior-Wahrscheinlichkeiten + neue Daten + Likelihood
• Ergebnis: Posterior-Wahrscheinlichkeiten

Bayessche Modellierung und Entscheidungen

• Laufende Updates, sobald neue Daten vorliegen
• Unsicherheit und Lücken managen
• Entscheidungen anpassen und verbessern

Beispiel: Betrugserkennung

• Bayessches Modell zur Erkennung von Kreditkartenbetrug
  • Prior basierend auf Branchendaten: 2%
• Neue Transaktion
  • Plötzliche Verhaltensänderung beim Ausgeben
    • In 85% betrügerischer Transaktionen vorhanden
    • Nur in 5% legitimer Transaktionen
  • Aktualisierte Posterior steigt deutlich auf 25.8%
• Transaktion wird zur Prüfung markiert

Lass uns üben!

Fortgeschrittene Wahrscheinlichkeitsrechnung: Unsicherheit in Daten