निर्णय विश्लेषण

Python में Bayesian डेटा विश्लेषण

Michal Oleszak

Machine Learning Engineer

निर्णय विश्लेषण

निर्णय लेने वाले अधिकतम मुनाफा, कम लागत, जीवन बचाने आदि की परवाह करते हैं।

एक सिरिंज, तीन करेंसी नोट और 99% अंक के पास। एक तीर एक व्यक्ति के आइकन की ओर इशारा करता है।

निर्णय विश्लेषण

निर्णय लेने वाले अधिकतम मुनाफा, कम लागत, जीवन बचाने आदि की परवाह करते हैं।

एक सिरिंज, एक करेंसी नोट और 98% अंक के पास। एक तीर लोगों के समूह की ओर इशारा करता है।

निर्णय विश्लेषण → पैरामीटर को प्रासंगिक मेट्रिक्स में बदलना ताकि निर्णय लेने में मदद मिले

पोस्टेरियर से निर्णय तक

रणनीतिक निर्णय लेने के लिए, अलग-अलग परिदृश्यों की प्रायिकताएँ पता होनी चाहिए।
Bayesian विधियाँ पैरामीटर को प्रासंगिक मेट्रिक्स में आसानी से बदलने देती हैं।

क्लिक रेट डिस्ट्रीब्यूशन दर्शाने वाला आइकन।

पोस्टेरियर से निर्णय तक

रणनीतिक निर्णय लेने के लिए, अलग-अलग परिदृश्यों की प्रायिकताएँ पता होनी चाहिए।
Bayesian विधियाँ पैरामीटर को प्रासंगिक मेट्रिक्स में आसानी से बदलने देती हैं।

"impressions" के साथ गुणा किया गया क्लिक रेट डिस्ट्रीब्यूशन दर्शाने वाला आइकन।

पोस्टेरियर से निर्णय तक

रणनीतिक निर्णय लेने के लिए, अलग-अलग परिदृश्यों की प्रायिकताएँ पता होनी चाहिए।
Bayesian विधियाँ पैरामीटर को प्रासंगिक मेट्रिक्स में आसानी से बदलने देती हैं।

"impressions" और "revenue per click" के साथ गुणा किया गया क्लिक रेट डिस्ट्रीब्यूशन दर्शाने वाला आइकन।

पोस्टेरियर से निर्णय तक

रणनीतिक निर्णय लेने के लिए, अलग-अलग परिदृश्यों की प्रायिकताएँ पता होनी चाहिए।
Bayesian विधियाँ पैरामीटर को प्रासंगिक मेट्रिक्स में आसानी से बदलने देती हैं।

"impressions" और "revenue per click" से गुणा किया गया क्लिक रेट डिस्ट्रीब्यूशन, जिसका परिणाम revenue डिस्ट्रीब्यूशन है, दर्शाने वाला आइकन।

पोस्टेरियर रेवेन्यू

# 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

दो थोड़े-बहुत ओवरलैप होते डेंसिटी प्लॉट।

दो डेंसिटी प्लॉट, बड़े पैमाने पर ओवरलैप करते हुए।

फॉरेस्ट प्लॉट

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

एक प्लॉट जिसमें दो रेखाएँ हैं, प्रत्येक एक डिस्ट्रीब्यूशन दर्शाती है। प्रत्येक रेखा की लंबाई 94% credible interval दर्शाती है।

फॉरेस्ट प्लॉट

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)

एक प्लॉट जिसमें दो रेखाएँ हैं, प्रत्येक एक डिस्ट्रीब्यूशन दर्शाती है। प्रत्येक रेखा की लंबाई 99% credible interval दर्शाती है।

आइए निर्णयों का विश्लेषण करें!

Python में Bayesian डेटा विश्लेषण