Анализ решений

Байесовский анализ данных на Python

Michal Oleszak

Machine Learning Engineer

Анализ решений

  • Лицам, принимающим решения, важно максимизировать прибыль, снижать затраты, сохранять жизни и т. д.

Шприц рядом с тремя банкнотами и цифрой 99%. Стрелка указывает на иконку одного человека.

Байесовский анализ данных на Python

Анализ решений

  • Лицам, принимающим решения, важно максимизировать прибыль, снижать затраты, сохранять жизни и т. д.

Шприц рядом с одной банкнотой и цифрой 98%. Стрелка указывает на группу людей.

  • Анализ решений   →   преобразование параметров в значимые метрики для поддержки принятия решений
Байесовский анализ данных на Python

От апостериорных распределений к решениям

  • Для стратегических решений необходимо знать вероятности различных сценариев.
  • Байесовские методы позволяют легко преобразовывать параметры в значимые метрики.

 

Иконка, представляющая распределение показателя кликов.

Байесовский анализ данных на Python

От апостериорных распределений к решениям

  • Для стратегических решений необходимо знать вероятности различных сценариев.
  • Байесовские методы позволяют легко преобразовывать параметры в значимые метрики.

 

Иконка, представляющая распределение показателя кликов, умноженное на «число показов».

Байесовский анализ данных на Python

От апостериорных распределений к решениям

  • Для стратегических решений необходимо знать вероятности различных сценариев.
  • Байесовские методы позволяют легко преобразовывать параметры в значимые метрики.

 

Иконка, представляющая распределение показателя кликов, умноженное на «число показов» и на «доход с клика».

Байесовский анализ данных на Python

От апостериорных распределений к решениям

  • Для стратегических решений необходимо знать вероятности различных сценариев.
  • Байесовские методы позволяют легко преобразовывать параметры в значимые метрики.

 

Иконка, представляющая распределение показателя кликов, умноженное на «число показов» и на «доход с клика», равное иконке распределения дохода.

Байесовский анализ данных на Python

Апостериорный доход

# 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

Два графика плотности с небольшим перекрытием.

Два графика плотности со значительным перекрытием.

Байесовский анализ данных на Python

Лесной график

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

График с двумя линиями, каждая из которых обозначает одно распределение. Длина каждой линии соответствует 94%-му достоверному интервалу.

Байесовский анализ данных на Python

Лесной график

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)

График с двумя линиями, каждая из которых обозначает одно распределение. Длина каждой линии соответствует 99%-му достоверному интервалу.

Байесовский анализ данных на Python

Давайте потренируемся!

Байесовский анализ данных на Python

Preparing Video For Download...