Dilemma: voorspellen vs. inferentie

Machine Learning voor Business

Karolis Urbonas

Head of Machine Learning & Science, AWS

Dilemma: inferentie vs. voorspellen

Inferentie- of causale modellen:

Doel: de drijvers van een businessuitkomst begrijpen
Inferentiegerichte modellen zijn interpreteerbaar
Minder nauwkeurig dan voorspellingsmodellen

Voorspelling:

De voorspelling zelf is het hoofddoel
Moeilijk te interpreteren; werken als "black boxes"
Veel nauwkeuriger dan inferentiemodellen

Begin bij de businessvraag

"Wat zijn de belangrijkste drijvers van fraude?"
- Inferentie
"In welke mate beïnvloeden condities X het risico op een hartaanval?"
- Inferentie
"Welke transacties zijn waarschijnlijk frauduleus?"
- Voorspelling
"Ligt de patiënt risico op een hartaanval?"
- Voorspelling

Datastructuur modelleren

inferentie vs. voorspelling 1

Doelvariabele

inferentie vs. voorspelling 2

Invoerfeatures

inferentie vs. voorspelling 3

Invoerfeatures gebruiken

inferentie vs. voorspelling 4

Doelvariabele voorspellen

inferentie vs. voorspelling 5

Focus van inferentiemodel

inferentie vs. voorspelling 6

Focus van voorspellingsmodel

inferentie vs. voorspelling 7

Laten we oefenen!

Machine Learning voor Business

Preparing Video For Download...