Beslissingsanalyse

Bayesian Data Analysis in Python

Michal Oleszak

Machine Learning Engineer

Beslissingsanalyse

Beslissers willen winst maximaliseren, kosten verlagen, levens redden, enz.

Een spuit naast drie bankbiljetten en 99%. Een pijl wijst naar één persoonspictogram.

Beslissingsanalyse

Beslissers willen winst maximaliseren, kosten verlagen, levens redden, enz.

Een spuit naast één bankbiljet en 98%. Een pijl wijst naar een groep mensen.

Beslissingsanalyse → parameters vertalen naar relevante metrics voor besluitvorming

Van posterior naar beslissing

Voor strategische keuzes moet je de kansen van scenario’s kennen.
Bayesiaanse methoden vertalen parameters snel naar relevante metrics.

Een pictogram van een klikfrequentieverdeling.

Van posterior naar beslissing

Voor strategische keuzes moet je de kansen van scenario’s kennen.
Bayesiaanse methoden vertalen parameters snel naar relevante metrics.

Een pictogram van een klikfrequentieverdeling maal "impressies".

Van posterior naar beslissing

Voor strategische keuzes moet je de kansen van scenario’s kennen.
Bayesiaanse methoden vertalen parameters snel naar relevante metrics.

Een pictogram van een klikfrequentieverdeling maal "impressies", maal "opbrengst per klik".

Van posterior naar beslissing

Voor strategische keuzes moet je de kansen van scenario’s kennen.
Bayesiaanse methoden vertalen parameters snel naar relevante metrics.

Een pictogram van een klikfrequentieverdeling maal "impressies", maal "opbrengst per klik", is een pictogram van een opbrengstverdeling.

Posterior-opbrengst

# 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

Twee dichtheidsplots die licht overlappen.

Twee dichtheidsplots met grote overlap.

Forestplot

import pymc3 as pm


# Verzamel posterior-trekkingen in een dictionary
revenue = {"A": rev_A, "B": rev_B}


# Teken de forestplot
pm.forestplot(revenue)

Een plot met twee lijnen, elk voor één verdeling. De lengte van elke lijn is het 94%-geloofwaardigheidsinterval.

Forestplot

import pymc3 as pm

# Verzamel posterior-trekkingen in een dictionary
revenue = {"A": rev_A, "B": rev_B}

# Teken de forestplot
pm.forestplot(revenue, hdi_prob=0.99)

Een plot met twee lijnen, elk voor één verdeling. De lengte van elke lijn is het 99%-geloofwaardigheidsinterval.

Laten we beslissingen analyseren!

Bayesian Data Analysis in Python