ML W12-2 - Evidence and Probabilities: Prediction via Evidence Combination

Evidence and Probabilities

 

데이터로부터 결론을 낼 적에는 데이터 인스턴스가 우리들한테는 하나의 evidence로 작동하고 있고

얼마나 strong 한지 weak 한지가 중요하다.

통계학적으로 중요한 evidence

 

evidence의 strength를 알 수 있다면 타겟을 결정 지을 수 있다.

 

---

 

Example: Targeting Online Consumers with Ads

광고의 효과를 보기 위해서는 인스턴스가 무엇인지 정확히 정의해야 한다.

 

---

Example: Targeting Online Consumers with Ads

Target variable : 고객이 광고를 본 후 그 방을 예약을 할까 안할까 하는 binary value가 있다.

Prediction : 얼마나 이 광고에 반응할지 예측

Targeting : 실제적으로 이 문제를 예산 안에서 실행할 경우 우선순위를 결정해야 한다.

Feature : evidence 로 작동 할 수 있는 것

 

 

---

Combining Evidence Probabilistically

 

정확한 확률을 뽑아 내기가 어렵다.

사용자의 행동 특성을 분석한다고 치더라도 앞으로 미래의 고객의 특성을 찾아낼 확률은 굉장히 낮다.

우리는 유추 가능한 추론을 하고 결론을 내린다.

 

사람 같은 경우는 굉장히 생각의 흐름이나 추론의 방법이 다양하기 때문에, 우리가 인지하지 못하는 찰나에 데이터를 가공하고 이해하고 생각하고 결론을 내리는 것이 우리한테는 베어있다.

그러나 로봇은 제한된 기능만 사용하게 된다.

 

감각 기관으로 부터 모은 데이터로 우리는 결론을 내린다.

 

이처럼 Evidence를 잘 캐치해 내야 한다.

 

---

Joint Probability and Independence

 

Bayes’ Rule

 

현실적으로 닥쳐있는 문제를 measure 하기에 어렵다.

그래서 이것을 심플하게 쉽게 만든 가정이 Probabilistic independence 이다.