"A probléma nem az adatokban rejlik, hanem abban, hogy hogyan hagyjuk figyelmen kívül az unalmas részeket." Miért lenne egy modell 99% -os előrejelzési pontossággal elárasztja a postaládáját hamis riasztásokkal, és gyönyörű napját rémálommá változtatná? Összezavarodott vagy? Üdvözöljük a - olyan előítélet, amely mind az embereket, mind a gépeket arra készteti, hogy tévesen ítéljenek meg a valószínűségeket, amikor figyelmen kívül hagyjuk az adatokat tartalmazó kontextust. Base Rate Fallacy What Is the Base Rate Fallacy? Mi az alapkamatláb csőd? Vessünk egy gyors pillantást arra, hogy mi az alapkamat-hamisítás valójában. A az esemény bekövetkezésének valószínűsége - Újabb bizonyítékok: a Ez akkor történik meg, amikor ezeket az alapvető valószínűségeket figyelmen kívül hagyjuk, és csak az új bizonyítékokra összpontosítunk. base rate Előtte base rate fallacy Let the Math Speak Hagyjuk a matematikát beszélni Képzeljünk el egy olyan helyzetet, amikor egy betegség Te, aki egy zseni vagy, olyan tesztet fejlesztesz ki, amely : 1 in 1000 99% accurate 
 
 
 Ha valaki a betegség, a teszt pozitív 99% -ában (igaz pozitív). Ha valaki nem rendelkezik a betegséggel, a teszt negatív 99% -át teszi ki (igaz negatív). Tegyük fel, hogy valaki tesztel Mi az esélye annak, hogy valóban megkapják a betegséget? positive Az intuícióval ellentétben az Itt van miért: not 99% 1000 fő közül: 
 
 
 1 embernek van valójában a betegsége → a teszt valószínűleg elkapja → 1 valódi pozitív 999 embernek nincs betegsége, 1 százalékuk pozitív tesztet kapott, 10 hamis pozitív Azok között, akik pozitív teszteket tesztelnek: 
 
 
 Összes pozitív = 1 (igaz) + 10 (hamis) = 11 Valójában a betegség valószínűsége = 1 / 11 ≈ 9% 👉 Annak ellenére, hogy a teszt “99% -ban pontos”, a betegség esélye csak Mert a betegség nagyon ritka. 9% Ezt Az a - és figyelmen kívül hagyása hatalmas félreértéshez vezet. 1-in-1000 Bázis Rate Why Humans Fall for This Miért esnek az emberek erre Ez nem csak egy matematikai probléma – ez egy . brain problem pszichológusok és Felfedeztük, hogy amikor értékeljük a valószínűségeket, tudattalanul nehéz kérdéseket helyettesítünk könnyebb kérdésekkel. Daniel Kahneman Amos Tversky „Milyen jól illeszkedik ez a helyzet a mentális sztereotípiámhoz?” Tehát amikor egy teszt 99% -ban pontos, az agyunk azt mondja: Olyan ez, mint egy meccs!” ...és feltételezzük, hogy az eredménynek igaznak kell lennie. Ez a rövidítés az ún. , és ez arra késztet minket, hogy figyelmen kívül hagyjuk az unalmas, statisztikai bázisot. representativeness heuristic The Engineer–Lawyer Conundrum A mérnök ügyvédje Conundrum Ezt a hatást jól demonstrálták a . Engineer–Lawyer problem A résztvevőknek elmondták: 
 
 
 Egy szobában 70 ügyvéd és 30 mérnök dolgozik. Jack introvertált, élvezi a matematikai rejtvényeket, és szereti az elektronikát. Aztán megkérdezte: „Mi a valószínűsége annak, hogy Jack mérnök?” Bár az alapszám azt sugallja, hogy a A legtöbb ember azt mondta Mert Jack A leírás reprezentatívnak tűnik, így a 70/30 arányt figyelmen kívül hagyják – még akkor is, ha ez egy erősebb előrejelző. 30% chance 80–90% hangok How This Fails in the Real World Hogyan működik ez a valós világban **AI előrejelzések \ Olyan modellt hoz létre, amely 95%-os pontossággal jelöli meg a hibás termékeket. Az elemek valójában hibásak, a legtöbb figyelmeztetés hamis pozitív lesz. 0.1% **Az ellátási lánc tervezése \ Korai figyelmeztető késleltetési rendszer jelzi az eladó kockázatát. Ha a szállítások ténylegesen késnek, a legtöbb figyelmeztetés hamis lesz – még akkor is, ha a rendszer technikailag „pontos”. 1 in 500 És ez számos területen történik: csalás felderítése, orvosi vizsgálatok, fenyegetés figyelmeztetések, anomáliák monitorozása – a lista folytatódik. The Solution: Bayes to the Rescue A megoldás: Bayes a mentéshez Matematikai szempontból Segít ellensúlyozni az alapkamat-hamisításokat. frissíti meggyőződésünket azáltal, hogy az alapkamatokat új bizonyítékokkal ötvözi: Bayes’ Theorem P(A) B = P(B) P(B) A / P(A) ahol : 
 
 
 
 
 P(A) B: A betegség pozitív tesztelésének valószínűsége P(B) A: A betegség esetén pozitív teszt valószínűsége P(A): Az alapszint (előzetes valószínűség) P(B): A teszt pozitív teljes valószínűsége (igaz + hamis pozitív) A Bayes-elmélet kiegyensúlyozni akar Azokkal Valami, amit az emberi intuíció hajlamos kihagyni. Amit tudunk Amit látunk Final Thoughts Végső gondolatok Egy előrejelzésen alapuló világban élünk - az AI-tól az egészségügyi ellátásig a logisztikáig.De a számok, függetlenül attól, hogy mennyire kifinomultak, nem jelentenek semmit a helyes . context És néha a legerősebb betekintés az unalmas, alacsony kulcsú valószínűségben rejlik, amit túl gyorsan figyelmen kívül hagytunk.

Read My Stories

Ez a hanganyag a történet eredeti nyelvén készült!

Az alapkamatlanság: Miért a legokosabb modell még mindig rosszul van

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

HackerNoon Raises $250k at $50M Valuation From Forward Research

The Little Shop at Fishbourne

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

HackerNoon Contributor Denisa Ganea on HackerNoon, Human Existence, and Everything in Between

HackerNoon Raises $250k at $50M Valuation From Forward Research

The Little Shop at Fishbourne

On OpenAI Failed Board Coup of Sam Altman & the Danger of Leaving AI Fate in the Hands of a Few

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps