Analiza decyzyjna

Bayesowska analiza danych w Pythonie

Michal Oleszak

Machine Learning Engineer

Analiza decyzyjna

Decydentów interesuje maksymalizacja zysku, redukcja kosztów, ratowanie życia itp.

Strzykawka obok trzech banknotów i cyfry 99%. Strzałka wskazuje na ikonę jednej osoby.

Analiza decyzyjna

Decydentów interesuje maksymalizacja zysku, redukcja kosztów, ratowanie życia itp.

Strzykawka obok jednego banknotu i cyfry 98%. Strzałka wskazuje na grupę osób.

Analiza decyzyjna → przekształcanie parametrów w odpowiednie miary wspierające podejmowanie decyzji

Od rozkładów posteriori do decyzji

Aby podejmować strategiczne decyzje, należy znać prawdopodobieństwa różnych scenariuszy.
Metody bayesowskie umożliwiają łatwe przekształcanie parametrów w odpowiednie miary.

Ikona rozkładu współczynnika kliknięć.

Od rozkładów posteriori do decyzji

Aby podejmować strategiczne decyzje, należy znać prawdopodobieństwa różnych scenariuszy.
Metody bayesowskie umożliwiają łatwe przekształcanie parametrów w odpowiednie miary.

Ikona rozkładu współczynnika kliknięć pomnożona przez "wyświetlenia".

Od rozkładów posteriori do decyzji

Aby podejmować strategiczne decyzje, należy znać prawdopodobieństwa różnych scenariuszy.
Metody bayesowskie umożliwiają łatwe przekształcanie parametrów w odpowiednie miary.

Ikona rozkładu współczynnika kliknięć pomnożona przez "wyświetlenia", pomnożona przez "przychód na kliknięcie".

Od rozkładów posteriori do decyzji

Aby podejmować strategiczne decyzje, należy znać prawdopodobieństwa różnych scenariuszy.
Metody bayesowskie umożliwiają łatwe przekształcanie parametrów w odpowiednie miary.

Ikona rozkładu współczynnika kliknięć pomnożona przez "wyświetlenia", pomnożona przez "przychód na kliknięcie", równa się ikonie rozkładu przychodów.

Posteriori przychodu

# 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

Dwa wykresy gęstości nieznacznie się nakładające.

Dwa wykresy gęstości w dużym stopniu się nakładające.

Wykres leśny

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

Wykres przedstawiający dwie linie, z których każda oznacza jeden rozkład. Długość każdej linii odpowiada 94% przedziałowi wiarygodnemu.

Wykres leśny

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)

Wykres przedstawiający dwie linie, z których każda oznacza jeden rozkład. Długość każdej linii odpowiada 99% przedziałowi wiarygodnemu.

Przeanalizujmy decyzje!

Bayesowska analiza danych w Pythonie