Analyse décisionnelle

Analyse bayésienne des données en Python

Michal Oleszak

Machine Learning Engineer

Analyse décisionnelle

Les décideurs veulent maximiser le profit, réduire les coûts, sauver des vies, etc.

Une seringue à côté de trois billets et du nombre 99 %. Une flèche pointe vers l'icône d'une seule personne.

Analyse décisionnelle

Les décideurs veulent maximiser le profit, réduire les coûts, sauver des vies, etc.

Une seringue à côté d'un seul billet et du nombre 98 %. Une flèche pointe vers un groupe de personnes.

Analyse décisionnelle → convertir des paramètres en mesures utiles pour éclairer les décisions

Des postérieures aux décisions

Pour décider de façon stratégique, il faut connaître les probabilités des différents scénarios.
Les méthodes bayésiennes permettent de convertir facilement des paramètres en mesures pertinentes.

Icône représentant une distribution de taux de clics.

Des postérieures aux décisions

Pour décider de façon stratégique, il faut connaître les probabilités des différents scénarios.
Les méthodes bayésiennes permettent de convertir facilement des paramètres en mesures pertinentes.

Icône représentant une distribution de taux de clics multipliée par « impressions ».

Des postérieures aux décisions

Pour décider de façon stratégique, il faut connaître les probabilités des différents scénarios.
Les méthodes bayésiennes permettent de convertir facilement des paramètres en mesures pertinentes.

Icône représentant une distribution de taux de clics multipliée par « impressions », puis par « revenus par clic ».

Des postérieures aux décisions

Pour décider de façon stratégique, il faut connaître les probabilités des différents scénarios.
Les méthodes bayésiennes permettent de convertir facilement des paramètres en mesures pertinentes.

Icône représentant une distribution de taux de clics multipliée par « impressions », puis par « revenus par clic », égalant une icône représentant une distribution des revenus.

Revenus postérieurs

# 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

Deux tracés de densité se chevauchant légèrement.

Deux tracés de densité se chevauchant en grande partie.

Graphique en forêt

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

Un graphique montrant deux lignes, chacune représentant une distribution. La longueur de chaque ligne correspond à l'intervalle de crédibilité de 94 %.

Graphique en forêt

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)

Un graphique montrant deux lignes, chacune représentant une distribution. La longueur de chaque ligne correspond à l'intervalle de crédibilité de 99 %.

Analysons les décisions !

Analyse bayésienne des données en Python