Phân tích quyết định

Phân tích dữ liệu Bayesian với Python

Michal Oleszak

Machine Learning Engineer

Phân tích quyết định

  • Người ra quyết định quan tâm đến tối đa hóa lợi nhuận, giảm chi phí, cứu sống, v.v.

Một ống tiêm cạnh ba tờ tiền và số 99%. Mũi tên chỉ tới một biểu tượng người.

Phân tích dữ liệu Bayesian với Python

Phân tích quyết định

  • Người ra quyết định quan tâm đến tối đa hóa lợi nhuận, giảm chi phí, cứu sống, v.v.

Một ống tiêm cạnh một tờ tiền và số 98%. Mũi tên chỉ tới một nhóm người.

  • Phân tích quyết định   →   chuyển tham số thành chỉ số liên quan để hỗ trợ quyết định
Phân tích dữ liệu Bayesian với Python

Từ hậu nghiệm đến quyết định

  • Để ra quyết định chiến lược, cần biết xác suất của các kịch bản khác nhau
  • Phương pháp Bayes giúp chuyển tham số thành chỉ số liên quan một cách dễ dàng

 

Biểu tượng biểu diễn phân phối tỷ lệ nhấp.

Phân tích dữ liệu Bayesian với Python

Từ hậu nghiệm đến quyết định

  • Để ra quyết định chiến lược, cần biết xác suất của các kịch bản khác nhau.
  • Phương pháp Bayes giúp chuyển tham số thành chỉ số liên quan một cách dễ dàng.

 

Biểu tượng biểu diễn phân phối tỷ lệ nhấp nhân với "lượt hiển thị".

Phân tích dữ liệu Bayesian với Python

Từ hậu nghiệm đến quyết định

  • Để ra quyết định chiến lược, cần biết xác suất của các kịch bản khác nhau.
  • Phương pháp Bayes giúp chuyển tham số thành chỉ số liên quan một cách dễ dàng.

 

Biểu tượng biểu diễn phân phối tỷ lệ nhấp nhân với "lượt hiển thị", nhân với "doanh thu mỗi nhấp".

Phân tích dữ liệu Bayesian với Python

Từ hậu nghiệm đến quyết định

  • Để ra quyết định chiến lược, cần biết xác suất của các kịch bản khác nhau.
  • Phương pháp Bayes giúp chuyển tham số thành chỉ số liên quan một cách dễ dàng.

 

Biểu tượng biểu diễn phân phối tỷ lệ nhấp nhân với "lượt hiển thị", nhân với "doanh thu mỗi nhấp", bằng một biểu tượng biểu diễn phân phối doanh thu.

Phân tích dữ liệu Bayesian với Python

Doanh thu hậu nghiệm

# 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

Hai đồ thị mật độ chồng lấp nhẹ.

Hai đồ thị mật độ chồng lấp phần lớn.

Phân tích dữ liệu Bayesian với Python

Biểu đồ rừng

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

Biểu đồ hiển thị hai đường, mỗi đường biểu diễn một phân phối. Chiều dài mỗi đường là khoảng tin cậy 94%.

Phân tích dữ liệu Bayesian với Python

Biểu đồ rừng

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)

Biểu đồ hiển thị hai đường, mỗi đường biểu diễn một phân phối. Chiều dài mỗi đường là khoảng tin cậy 99%.

Phân tích dữ liệu Bayesian với Python

Hãy phân tích các quyết định!

Phân tích dữ liệu Bayesian với Python

Preparing Video For Download...