Conformal Prediction
Ein framework-agnostisches Verfahren, das Vorhersagen mit garantierten Konfidenzintervallen liefert, ohne Annahmen über die Modellverteilung.
Conformal Prediction liefert garantierte Konfidenzintervalle für jedes ML-Modell – ohne Verteilungsannahmen, nur aus Kalibrierungsdaten.
Erklärung
Conformal Prediction erzeugt Prediction Sets statt Punktvorhersagen. Bei gewähltem Konfidenzniveau α enthält das Set den wahren Wert mit Wahrscheinlichkeit 1-α – distribution-free und modellunabhängig.
Relevanz für Marketing
Für risikosensitive Marketing-Entscheidungen (Budget-Prognosen, Conversion-Vorhersagen) liefert Conformal Prediction zuverlässige Unsicherheitsbereiche.
Beispiel
Ein Conversion-Modell sagt nicht "42% Wahrscheinlichkeit", sondern "mit 90% Sicherheit zwischen 35% und 49%".
Häufige Fallstricke
Große Prediction Sets bei hoher Unsicherheit sind schwer interpretierbar. Exchangeability-Annahme kann bei Zeitreihen verletzt sein.
Entstehung & Geschichte
Vladimir Vovk entwickelte Conformal Prediction in den 2000er Jahren. Ab 2020 gewann es durch Arbeiten von Angelopoulos & Bates massiv an Popularität. MAPIE (2022) machte es für Python-Nutzer zugänglich.
Abgrenzung & Vergleiche
Conformal Prediction vs. Bayesian Inference
Bayesian Inference erfordert Prior-Annahmen und Verteilungsmodelle; Conformal Prediction ist distribution-free und liefert frequentistische Garantien.
Conformal Prediction vs. Calibration
Kalibrierung adjustiert Wahrscheinlichkeiten post-hoc; Conformal Prediction erzeugt Mengen mit formalen Coverage-Garantien.