預測 vs. 推論的兩難

Machine Learning for Business

Karolis Urbonas

Head of Machine Learning & Science, AWS

推論 vs. 預測的兩難

推論或因果模型：

• 目標是理解商業結果的驅動因素
• 以推論為主的模型可解釋性高
• 準確度低於預測模型

預測：

• 重點在預測本身
• 不易解釋，即如「黑箱」運作
• 準確度遠高於推論模型

從商業問題出發

• 「詐欺的主要驅動因素是什麼？」
  • 推論
• 「條件 X 影響多少心肌梗塞風險？」
  • 推論
• 「哪些交易可能是詐欺？」
  • 預測
• 「病人是否有風險發生心肌梗塞？」
  • 預測

建模資料結構

目標變數

輸入特徵

運用輸入特徵

預測目標變數

推論模型重點

預測模型重點

一起來練習吧！

Machine Learning for Business