การประยุกต์ใช้ความน่าจะเป็นเชิงเงื่อนไข

ความน่าจะเป็นขั้นสูง: ความไม่แน่นอนในข้อมูล

Maarten Van den Broeck

Senior Content Developer at DataCamp

ทำความเข้าใจความน่าจะเป็นเชิงเงื่อนไข

• ความน่าจะเป็นที่เหตุการณ์ B จะเกิดขึ้น เมื่อเหตุการณ์ A เกิดขึ้นแล้ว
• ตัวอย่าง:
  • ลูกค้าเข้าชมหน้าสินค้า (เหตุการณ์ A)

ทำความเข้าใจความน่าจะเป็นเชิงเงื่อนไข

• ความน่าจะเป็นที่เหตุการณ์ B จะเกิดขึ้น เมื่อเหตุการณ์ A เกิดขึ้นแล้ว
• ตัวอย่าง:
  • ลูกค้าเข้าชมหน้าสินค้า (เหตุการณ์ A)
  • ลูกค้าจะซื้อสินค้าหรือไม่? (เหตุการณ์ B)

การประยุกต์ใช้ความน่าจะเป็นเชิงเงื่อนไขในโลกจริง

• การวิเคราะห์การรักษาลูกค้า:
  • ลูกค้าจะต่ออายุหรือไม่ หากใช้ฟีเจอร์พรีเมียม?
• การตรวจจับการฉ้อโกง:
  • ธุรกรรมนี้เป็นการฉ้อโกงหรือไม่ หากมีรูปแบบการใช้จ่ายผิดปกติ?
• การปรับปรุงห่วงโซ่อุปทาน:
  • โอกาสที่จะเกิดความล่าช้าหากสภาพอากาศไม่ดี?

การปรับปรุงความน่าจะเป็นด้วยทฤษฎีบทของเบย์ส

• ปรับปรุงความน่าจะเป็นเมื่อมีหลักฐานใหม่
• เริ่มด้วย: ความน่าจะเป็นก่อนหน้า + ข้อมูลใหม่ + ความน่าจะเป็นของเหตุการณ์

การปรับปรุงความน่าจะเป็นด้วยทฤษฎีบทของเบย์ส

• ปรับปรุงความน่าจะเป็นเมื่อมีหลักฐานใหม่
• เริ่มด้วย: ความน่าจะเป็นก่อนหน้า + ข้อมูลใหม่ + ความน่าจะเป็นของเหตุการณ์
• สิ้นสุดด้วย: ความน่าจะเป็นภายหลัง

การสร้างโมเดลแบบเบย์สและการตัดสินใจ

• อัปเดตต่อเนื่องเมื่อมีข้อมูลใหม่
• จัดการความไม่แน่นอนและข้อมูลที่ไม่สมบูรณ์
• ปรับตัวและพัฒนาการตัดสินใจ

ตัวอย่าง: การตรวจจับการฉ้อโกง

• โมเดลแบบเบย์สสำหรับติดตามการฉ้อโกงบัตรเครดิต
  • ความน่าจะเป็นก่อนหน้าจากข้อมูลอุตสาหกรรม: 2%
• ธุรกรรมใหม่
  • พฤติกรรมการใช้จ่ายที่เปลี่ยนแปลงอย่างฉับพลัน
    • พบใน 85% ของธุรกรรมที่เป็นการฉ้อโกง
    • พบเพียง 5% ในธุรกรรมที่ถูกต้อง
  • ความน่าจะเป็นภายหลังที่อัปเดตแล้วเพิ่มขึ้นอย่างมีนัยสำคัญ เป็น 25.8%
• ธุรกรรมถูกตั้งค่าสถานะเพื่อตรวจสอบ

มาฝึกกันเถอะ!

ความน่าจะเป็นขั้นสูง: ความไม่แน่นอนในข้อมูล