Analisis keputusan

Analisis Data Bayesian dengan Python

Michal Oleszak

Machine Learning Engineer

Analisis keputusan

Pengambil keputusan berfokus pada memaksimalkan laba, menekan biaya, menyelamatkan nyawa, dll.

Sebuah spuit di samping tiga lembar uang dan angka 99%. Sebuah panah mengarah darinya ke satu ikon orang.

Analisis keputusan

Pengambil keputusan berfokus pada memaksimalkan laba, menekan biaya, menyelamatkan nyawa, dll.

Sebuah spuit di samping satu lembar uang dan angka 98%. Sebuah panah mengarah darinya ke sekelompok orang.

Analisis keputusan → mengubah parameter menjadi metrik relevan untuk mendukung keputusan

Dari posterior ke keputusan

Untuk keputusan strategis, kita perlu mengetahui probabilitas berbagai skenario
Metode Bayesian memudahkan mengubah parameter menjadi metrik yang relevan

Sebuah ikon yang merepresentasikan distribusi tingkat klik.

Dari posterior ke keputusan

Untuk keputusan strategis, kita perlu mengetahui probabilitas berbagai skenario.
Metode Bayesian memudahkan mengubah parameter menjadi metrik yang relevan.

Ikon yang merepresentasikan distribusi tingkat klik dikali "tayangan".

Dari posterior ke keputusan

Untuk keputusan strategis, kita perlu mengetahui probabilitas berbagai skenario.
Metode Bayesian memudahkan mengubah parameter menjadi metrik yang relevan.

Ikon yang merepresentasikan distribusi tingkat klik dikali "tayangan", dikali "pendapatan per klik".

Dari posterior ke keputusan

Untuk keputusan strategis, kita perlu mengetahui probabilitas berbagai skenario.
Metode Bayesian memudahkan mengubah parameter menjadi metrik yang relevan.

Ikon yang merepresentasikan distribusi tingkat klik dikali "tayangan", dikali "pendapatan per klik", menghasilkan ikon distribusi pendapatan.

Pendapatan posterior

# 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

Dua plot densitas sedikit saling tumpang tindih.

Dua plot densitas banyak saling tumpang tindih.

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)

Plot yang menampilkan dua garis, masing-masing mewakili satu distribusi. Panjang setiap garis menunjukkan interval kredibel 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)

Plot yang menampilkan dua garis, masing-masing mewakili satu distribusi. Panjang setiap garis menunjukkan interval kredibel 99%.

Mari menganalisis keputusan!

Analisis Data Bayesian dengan Python