의사결정 분석

Python으로 배우는 Bayesian 데이터 분석

Michal Oleszak

Machine Learning Engineer

의사결정 분석

의사결정자는 이익 극대화, 비용 절감, 생명 보호 등을 중요시합니다.

주사기, 지폐 3장, 99% 숫자. 한 사람 아이콘으로 향하는 화살표.

의사결정 분석

의사결정자는 이익 극대화, 비용 절감, 생명 보호 등을 중요시합니다.

주사기, 지폐 1장, 98% 숫자. 사람 그룹으로 향하는 화살표.

의사결정 분석 → 의사결정에 유용한 지표로 파라미터를 변환

사후분포에서 의사결정으로

전략적 의사결정을 위해서는 다양한 시나리오의 확률을 알아야 합니다.
베이지안 방법은 파라미터를 관련 지표로 쉽게 변환해 줍니다.

클릭률 분포 아이콘.

사후분포에서 의사결정으로

전략적 의사결정을 위해서는 다양한 시나리오의 확률을 알아야 합니다.
베이지안 방법은 파라미터를 관련 지표로 쉽게 변환해 줍니다.

클릭률 분포 아이콘 × "노출수".

사후분포에서 의사결정으로

전략적 의사결정을 위해서는 다양한 시나리오의 확률을 알아야 합니다.
베이지안 방법은 파라미터를 관련 지표로 쉽게 변환해 줍니다.

클릭률 분포 아이콘 × "노출수" × "클릭당 수익".

사후분포에서 의사결정으로

전략적 의사결정을 위해서는 다양한 시나리오의 확률을 알아야 합니다.
베이지안 방법은 파라미터를 관련 지표로 쉽게 변환해 줍니다.

클릭률 분포 아이콘 × "노출수" × "클릭당 수익" = 수익 분포 아이콘.

사후 수익

# 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

두 개의 밀도곡선이 약간 겹침.

두 개의 밀도곡선이 크게 겹침.

포레스트 플롯

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

두 개의 선으로 각 분포를 표시한 그래프. 선 길이는 94% 신뢰구간을 나타냄.

포레스트 플롯

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)

두 개의 선으로 각 분포를 표시한 그래프. 선 길이는 99% 신뢰구간을 나타냄.

의사결정을 분석해 봅시다!

Python으로 배우는 Bayesian 데이터 분석