Analisi delle decisioni

Analisi dei dati bayesiana in Python

Michal Oleszak

Machine Learning Engineer

Analisi delle decisioni

Chi decide mira a massimizzare i profitti, ridurre i costi, salvare vite, ecc.

Una siringa accanto a tre banconote e alla cifra 99%. Una freccia punta verso un'icona di una singola persona.

Analisi delle decisioni

Chi decide mira a massimizzare i profitti, ridurre i costi, salvare vite, ecc.

Una siringa accanto a una singola banconota e alla cifra 98%. Una freccia punta verso un gruppo di persone.

Analisi delle decisioni → convertire i parametri in metriche utili per decidere

Dai posteriori alle decisioni

Per decisioni strategiche, serve conoscere le probabilità dei diversi scenari.
I metodi bayesiani permettono di trasformare facilmente i parametri in metriche utili.

Un'icona che rappresenta una distribuzione del tasso di clic.

Dai posteriori alle decisioni

Per decisioni strategiche, serve conoscere le probabilità dei diversi scenari.
I metodi bayesiani permettono di trasformare facilmente i parametri in metriche utili.

Un'icona che rappresenta una distribuzione del tasso di clic moltiplicata per "impressions".

Dai posteriori alle decisioni

Per decisioni strategiche, serve conoscere le probabilità dei diversi scenari.
I metodi bayesiani permettono di trasformare facilmente i parametri in metriche utili.

Un'icona che rappresenta una distribuzione del tasso di clic moltiplicata per "impressions", moltiplicata per "revenue per click".

Dai posteriori alle decisioni

Per decisioni strategiche, serve conoscere le probabilità dei diversi scenari.
I metodi bayesiani permettono di trasformare facilmente i parametri in metriche utili.

Un'icona che rappresenta una distribuzione del tasso di clic moltiplicata per "impressions", moltiplicata per "revenue per click", uguale a un'icona che rappresenta una distribuzione dei ricavi.

Ricavi posteriori

# 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

Due grafici di densità che si sovrappongono leggermente.

Due grafici di densità che si sovrappongono in gran parte.

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 grafico con due linee, ognuna per una distribuzione. La lunghezza di ciascuna linea rappresenta l'intervallo credibile al 94%.

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 grafico con due linee, ognuna per una distribuzione. La lunghezza di ciascuna linea rappresenta l'intervallo credibile al 99%.

Analizziamo le decisioni!

Analisi dei dati bayesiana in Python