Zastosowanie prawdopodobieństwa warunkowego

Zaawansowane rachunki prawdopodobieństwa: niepewność w danych

Maarten Van den Broeck

Senior Content Developer at DataCamp

Prawdopodobieństwo warunkowe – wprowadzenie

• Prawdopodobieństwo zajścia zdarzenia B, gdy zdarzenie A już nastąpiło
• Przykład:
  • Klient odwiedził stronę produktu (zdarzenie A)

Prawdopodobieństwo warunkowe – wprowadzenie

• Prawdopodobieństwo zajścia zdarzenia B, gdy zdarzenie A już nastąpiło
• Przykład:
  • Klient odwiedził stronę produktu (zdarzenie A)
  • Czy klient dokona zakupu? (zdarzenie B)

Praktyczne zastosowania prawdopodobieństwa warunkowego

• Analiza retencji klientów:
  • Czy klient odnowi subskrypcję, korzystając z funkcji premium?
• Wykrywanie oszustw:
  • Czy transakcja jest nieuczciwa przy nietypowych wydatkach?
• Optymalizacja łańcucha dostaw:
  • Ryzyko opóźnienia przy złych warunkach pogodowych?

Aktualizacja prawdopodobieństw – twierdzenie Bayesa

• Aktualizacja prawdopodobieństw w świetle nowych danych
• Podstawa: prawdopodobieństwa a priori + nowe dane + wiarygodność

Aktualizacja prawdopodobieństw – twierdzenie Bayesa

• Aktualizacja prawdopodobieństw w świetle nowych danych
• Podstawa: prawdopodobieństwa a priori + nowe dane + wiarygodność
• Wynik: prawdopodobieństwa a posteriori

Modelowanie bayesowskie i podejmowanie decyzji

• Ciągła aktualizacja w miarę napływu nowych danych
• Zarządzanie niepewnością i niekompletnymi danymi
• Adaptacyjne wspomaganie decyzji

Przykład: wykrywanie oszustw

• Model bayesowski do wykrywania oszustw kartowych
  • Prawdopodobieństwo a priori na podstawie danych branżowych: 2%
• Nowa transakcja
  • Nagła zmiana wzorca wydatków
    • Obecna w 85% nieuczciwych transakcji
    • Tylko w 5% legalnych transakcji
  • Zaktualizowane prawdopodobieństwo a posteriori wzrasta do 25,8%
• Transakcja zostaje oznaczona do weryfikacji

Czas na ćwiczenia!

Zaawansowane rachunki prawdopodobieństwa: niepewność w danych