Rozhodovací analýza

Bayesian Data Analysis in Python

Michal Oleszak

Machine Learning Engineer

Rozhodovací analýza

  • Rozhodovatelé se zaměřují na maximalizaci zisku, snižování nákladů, zachraňování životů apod.

Injekční stříkačka vedle tří bankovek a číslice 99 %. Šipka směřuje k ikoně jedné osoby.

Bayesian Data Analysis in Python

Rozhodovací analýza

  • Rozhodovatelé se zaměřují na maximalizaci zisku, snižování nákladů, zachraňování životů apod.

Injekční stříkačka vedle jedné bankovky a číslice 98 %. Šipka směřuje ke skupině lidí.

  • Rozhodovací analýza   →   převod parametrů na relevantní metriky pro podporu rozhodování
Bayesian Data Analysis in Python

Od posteriorů k rozhodnutím

  • Pro strategická rozhodnutí je třeba znát pravděpodobnosti různých scénářů.
  • Bayesovské metody umožňují snadno převést parametry na relevantní metriky.

 

Ikona distribuce míry prokliků.

Bayesian Data Analysis in Python

Od posteriorů k rozhodnutím

  • Pro strategická rozhodnutí je třeba znát pravděpodobnosti různých scénářů.
  • Bayesovské metody umožňují snadno převést parametry na relevantní metriky.

 

Ikona distribuce míry prokliků vynásobená „počtem zobrazení".

Bayesian Data Analysis in Python

Od posteriorů k rozhodnutím

  • Pro strategická rozhodnutí je třeba znát pravděpodobnosti různých scénářů.
  • Bayesovské metody umožňují snadno převést parametry na relevantní metriky.

 

Ikona distribuce míry prokliků vynásobená „počtem zobrazení", vynásobená „výnosem na proklik".

Bayesian Data Analysis in Python

Od posteriorů k rozhodnutím

  • Pro strategická rozhodnutí je třeba znát pravděpodobnosti různých scénářů.
  • Bayesovské metody umožňují snadno převést parametry na relevantní metriky.

 

Ikona distribuce míry prokliků vynásobená „počtem zobrazení", vynásobená „výnosem na proklik", rovná se ikona distribuce výnosů.

Bayesian Data Analysis in Python

Posteriorní výnosy

# 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

Dva grafy hustoty s mírným překryvem.

Dva grafy hustoty s výrazným překryvem.

Bayesian Data Analysis in Python

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)

Graf zobrazující dvě úsečky, každá představuje jedno rozdělení. Délka úsečky odpovídá 94% věrohodnostnému intervalu.

Bayesian Data Analysis in Python

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)

Graf zobrazující dvě úsečky, každá představuje jedno rozdělení. Délka úsečky odpovídá 99% věrohodnostnému intervalu.

Bayesian Data Analysis in Python

Pojďme analyzovat rozhodnutí!

Bayesian Data Analysis in Python

Preparing Video For Download...