Neues Verfahren verbessert seltene Ereignisvorhersage trotz Ungleichgewicht

In Bereichen wie Medizin, Finanzen, Kundendienst und Luftfahrt ist die Vorhersage seltener, aber potenziell katastrophaler Ereignisse von entscheidender Bedeutung. Klassische Modelle leiden jedoch unter starkem Ungleichgewicht der Klassen, was zu einer Vorhersage der Mehrheitsklasse führt und die Erkennungsrate, Kalibrierung und praktische Nützlichkeit einschränkt.

Um diesem Problem zu begegnen, wurde LPCORP (Low‑Prevalence CORrector for Prediction) entwickelt – ein zweistufiges Verfahren, das eine auf Logik basierende Vorhersage mit einer auf Vertrauen beruhenden Korrektur kombiniert. Zunächst erzeugt ein Logikmodell aus narrativen Eingaben erweiterte Vorhersagen. Anschließend bewertet ein leichtgewichtiger Logistikregressionsklassifikator diese Ergebnisse und korrigiert sie gezielt, um die durch die niedrige Prävalenz bedingte Verzerrung zu reduzieren.

Die Leistung von LPCORP wurde an realen Datensätzen aus medizinischen und kundenorientierten Service‑Bereichen getestet. Das Verfahren schafft es, ein stark unausgeglichenes Setting in ein ausgewogenes zu überführen, ohne die ursprüngliche Stichprobengröße zu verändern oder Resampling‑Strategien anzuwenden. Die Test‑Set‑Bewertung zeigt signifikante Verbesserungen, insbesondere bei der Präzision – einer bekannten Schwäche bei Daten mit niedriger Prävalenz.

Darüber hinaus liefert eine Kostenanalyse einen Vergleich der Ausgaben für die Schadensbekämpfung bei seltenen Ereignissen ohne präventive Maßnahmen mit denen, die durch kostengünstige, prädiktionsbasierte Interventionen entstehen. In einigen Fällen konnte die Kostenreduktion um mehr als 50 % erreicht werden.

LPCORP ist derzeit unter dem US‑Provisional‑Patent 63/933 518 registriert, das am 8. Dezember 2025 eingereicht wurde.