Analyse de décision

Analyse de données bayésienne en Python

Michal Oleszak

Machine Learning Engineer

Analyse de décision

  • Les décideurs visent à maximiser le profit, réduire les coûts, sauver des vies, etc.

Une seringue à côté de trois billets et du nombre 99 %. Une flèche pointe vers l'icône d'une personne.

Analyse de données bayésienne en Python

Analyse de décision

  • Les décideurs visent à maximiser le profit, réduire les coûts, sauver des vies, etc.

Une seringue à côté d'un billet et du nombre 98 %. Une flèche pointe vers un groupe de personnes.

  • Analyse de décision   →   transformer des paramètres en métriques utiles pour guider la décision
Analyse de données bayésienne en Python

Des postérieures aux décisions

  • Pour des décisions stratégiques, il faut connaître les probabilités des différents scénarios.
  • Les méthodes bayésiennes permettent de convertir facilement des paramètres en métriques utiles.

 

Une icône représentant une distribution de taux de clics.

Analyse de données bayésienne en Python

Des postérieures aux décisions

  • Pour des décisions stratégiques, il faut connaître les probabilités des différents scénarios.
  • Les méthodes bayésiennes permettent de convertir facilement des paramètres en métriques utiles.

 

Une icône représentant une distribution de taux de clics multipliée par « impressions ».

Analyse de données bayésienne en Python

Des postérieures aux décisions

  • Pour des décisions stratégiques, il faut connaître les probabilités des différents scénarios.
  • Les méthodes bayésiennes permettent de convertir facilement des paramètres en métriques utiles.

 

Une icône représentant une distribution de taux de clics multipliée par « impressions », multipliée par « revenu par clic ».

Analyse de données bayésienne en Python

Des postérieures aux décisions

  • Pour des décisions stratégiques, il faut connaître les probabilités des différents scénarios.
  • Les méthodes bayésiennes permettent de convertir facilement des paramètres en métriques utiles.

 

Une icône représentant une distribution de taux de clics multipliée par « impressions », multipliée par « revenu par clic », égalant une icône de distribution de revenus.

Analyse de données bayésienne en Python

Revenus postérieurs

# Different revenue per click
num_impressions = 1000
rev_per_click_A = 3.6
rev_per_click_B = 3


# Compute number of clicks
num_clicks_A = A_posterior * num_impressions
num_clicks_B = B_posterior * num_impressions


# Compute posterior revenue
rev_A = num_clicks_A * rev_per_click_A
rev_B = num_clicks_B * rev_per_click_B

Deux courbes de densité se recouvrant légèrement.

Deux courbes de densité se recouvrant largement.

Analyse de données bayésienne en Python

Forest plot

import pymc3 as pm


# Collect posterior draws in a dictionary
revenue = {"A": rev_A, "B": rev_B}


# Draw the forest plot
pm.forestplot(revenue)

Un graphique avec deux lignes, chacune représentant une distribution. La longueur de chaque ligne indique l'intervalle de crédibilité à 94 %.

Analyse de données bayésienne en Python

Forest plot

import pymc3 as pm

# Collect posterior draws in a dictionary
revenue = {"A": rev_A, "B": rev_B}

# Draw the forest plot
pm.forestplot(revenue, hdi_prob=0.99)

Un graphique avec deux lignes, chacune représentant une distribution. La longueur de chaque ligne indique l'intervalle de crédibilité à 99 %.

Analyse de données bayésienne en Python

Analysons les décisions !

Analyse de données bayésienne en Python

Preparing Video For Download...