#65: Sicher ist nur die Unsicherheit: Unsicherheitsintervalle erklärt
Update: 2025-02-06
Description
Punktprognosen sind was für Leute, die gerne enttäuscht werden ;) Wir befassen uns in dieser Episode mit der Quantifizierung und Kommunikation von Unsicherheit bei Prognosen. Dabei gehen Mira und Amit auf klassische Statistik, Bayes-Methoden, Machine Learning, Bootstrapping und Conformal Predictions ein. Außerdem gehen sie auf Herausforderungen der Data Literacy und bei rechenintensiven Ansätzen zur Bestimmung der Unsicherheit ein.
Zusammenfassung
- Warum Unsicherheiten unverzichtbar sind (Beispiel Wetter-, Wahl-, Bewerberprognosen)
- Klassische Statistik: Konfidenzintervall vs. Prediction Intervall
- Bayesianische Sicht: Glaubwürdigkeitsintervalle
- ML-Methoden ohne Verteilungsannahmen: Bootstrapping & Conformal Predictions
- Rechenaufwand vs. Modellannahmen
- Data Literacy als Schlüssel zum richtigen Interpretieren von Prognoseintervallen
- Praxisnahe Beispiele und Entscheidungshilfen
Links
- #10: Signifikanz https://www.podbean.com/ew/pb-y25ti-12fab65
- #44: Lineare Regression in der Praxis – Oldie oder Goldie? https://www.podbean.com/ew/pb-jiecf-15d0ac1
- #56: Unsere Bundestagswahl-Prognose: Wer gewinnt die Wahl 2025? https://www.podbean.com/ew/pb-hwgnd-16e446e
- Wer gewinnt die Bundestagswahl 2025? www.wer-gewinnt-die-wahl.de
- Molnar (2023): Introduction To Conformal Prediction With Python. A Short Guide For Quantifying Uncertainty Of Machine Learning Models.
- Sammlung von Ressourcen zu Conformal Predictions https://github.com/valeman/awesome-conformal-prediction/
- Feedback, Fragen oder Themenwünsche gern an podcast@inwt-statistics.de
Comments
In Channel
![#74: [PAIQ1] Predictive AI Quarterly](https://pbcdn1.podbean.com/imglogo/ep-logo/pbblog13421119/AI_Quarterly_Cover_gro_bqekt.png "#74: [PAIQ1] Predictive AI Quarterly"){kind=logo}
Download from Google Play
Download from App Store
United States00:00
00:00
1.0x
