Beslutsanalys

Bayesiansk dataanalys i Python

Michal Oleszak

Machine Learning Engineer

Beslutsanalys

  • Beslutsfattare vill maximera vinst, minska kostnader, rädda liv osv.

En spruta bredvid tre sedlar och siffran 99 %. En pil pekar från den mot en enskild personikon.

Bayesiansk dataanalys i Python

Beslutsanalys

  • Beslutsfattare vill maximera vinst, minska kostnader, rädda liv osv.

En spruta bredvid en sedel och siffran 98 %. En pil pekar från den mot en grupp personer.

  • Beslutsanalys   →   omvandla parametrar till relevanta mätvärden för beslutsstöd
Bayesiansk dataanalys i Python

Från posteriors till beslut

  • För strategiska beslut behöver man känna till sannolikheterna för olika scenarier.
  • Bayesianska metoder gör det enkelt att omvandla parametrar till relevanta mätvärden.

 

En ikon som representerar en klickfrekvensfördelning.

Bayesiansk dataanalys i Python

Från posteriors till beslut

  • För strategiska beslut behöver man känna till sannolikheterna för olika scenarier.
  • Bayesianska metoder gör det enkelt att omvandla parametrar till relevanta mätvärden.

 

En ikon som representerar en klickfrekvensfördelning multiplicerad med "impressions".

Bayesiansk dataanalys i Python

Från posteriors till beslut

  • För strategiska beslut behöver man känna till sannolikheterna för olika scenarier.
  • Bayesianska metoder gör det enkelt att omvandla parametrar till relevanta mätvärden.

 

En ikon som representerar en klickfrekvensfördelning multiplicerad med "impressions", multiplicerad med "revenue per click".

Bayesiansk dataanalys i Python

Från posteriors till beslut

  • För strategiska beslut behöver man känna till sannolikheterna för olika scenarier.
  • Bayesianska metoder gör det enkelt att omvandla parametrar till relevanta mätvärden.

 

En ikon som representerar en klickfrekvensfördelning multiplicerad med "impressions", multiplicerad med "revenue per click", lika med en ikon som representerar en intäktsfördelning.

Bayesiansk dataanalys i Python

Posterior-intäkt

# 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

Två täthetskurvor med liten överlappning.

Två täthetskurvor med stor överlappning.

Bayesiansk dataanalys i Python

Skogsgraf

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

Ett diagram med två linjer, en per fördelning. Linjernas längd representerar det 94-procentiga trovärdighetsintervallet.

Bayesiansk dataanalys i Python

Skogsgraf

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)

Ett diagram med två linjer, en per fördelning. Linjernas längd representerar det 99-procentiga trovärdighetsintervallet.

Bayesiansk dataanalys i Python

Nu kör vi en övning!

Bayesiansk dataanalys i Python

Preparing Video For Download...