การวิเคราะห์การตัดสินใจ

การวิเคราะห์ข้อมูลแบบเบย์เซียนด้วย Python

Michal Oleszak

Machine Learning Engineer

การวิเคราะห์การตัดสินใจ

ผู้ตัดสินใจมักมุ่งเน้นการเพิ่มกำไร ลดต้นทุน หรือช่วยชีวิต เป็นต้น

กระบอกฉีดยาวางอยู่ข้างธนบัตรสามใบและตัวเลข 99% โดยมีลูกศรชี้ไปยังไอคอนบุคคลคนเดียว

การวิเคราะห์การตัดสินใจ

ผู้ตัดสินใจมักมุ่งเน้นการเพิ่มกำไร ลดต้นทุน หรือช่วยชีวิต เป็นต้น

กระบอกฉีดยาวางอยู่ข้างธนบัตรใบเดียวและตัวเลข 98% โดยมีลูกศรชี้ไปยังกลุ่มคน

การวิเคราะห์การตัดสินใจ → แปลงพารามิเตอร์เป็นเมตริกที่เกี่ยวข้องเพื่อสนับสนุนการตัดสินใจ

จาก posterior สู่การตัดสินใจ

การตัดสินใจเชิงกลยุทธ์จำเป็นต้องทราบความน่าจะเป็นของแต่ละสถานการณ์
วิธีการแบบ Bayesian ช่วยแปลงพารามิเตอร์ให้เป็นเมตริกที่เกี่ยวข้องได้อย่างง่ายดาย

ไอคอนแสดงการกระจายอัตราการคลิก

จาก posterior สู่การตัดสินใจ

การตัดสินใจเชิงกลยุทธ์จำเป็นต้องทราบความน่าจะเป็นของแต่ละสถานการณ์
วิธีการแบบ Bayesian ช่วยแปลงพารามิเตอร์ให้เป็นเมตริกที่เกี่ยวข้องได้อย่างง่ายดาย

ไอคอนแสดงการกระจายอัตราการคลิกคูณกับ "impressions"

จาก posterior สู่การตัดสินใจ

การตัดสินใจเชิงกลยุทธ์จำเป็นต้องทราบความน่าจะเป็นของแต่ละสถานการณ์
วิธีการแบบ Bayesian ช่วยแปลงพารามิเตอร์ให้เป็นเมตริกที่เกี่ยวข้องได้อย่างง่ายดาย

ไอคอนแสดงการกระจายอัตราการคลิกคูณกับ "impressions" คูณกับ "revenue per click"

จาก posterior สู่การตัดสินใจ

การตัดสินใจเชิงกลยุทธ์จำเป็นต้องทราบความน่าจะเป็นของแต่ละสถานการณ์
วิธีการแบบ Bayesian ช่วยแปลงพารามิเตอร์ให้เป็นเมตริกที่เกี่ยวข้องได้อย่างง่ายดาย

ไอคอนแสดงการกระจายอัตราการคลิกคูณกับ "impressions" คูณกับ "revenue per click" เท่ากับไอคอนแสดงการกระจายรายได้

รายได้จาก posterior

# 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

กราฟความหนาแน่นสองเส้นที่ทับซ้อนกันเล็กน้อย

กราฟความหนาแน่นสองเส้นที่ทับซ้อนกันมาก

Forest plot

import pymc3 as pm


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


# Draw the forest plot
pm.forestplot(revenue)

กราฟแสดงเส้นสองเส้น แต่ละเส้นแทนการกระจายหนึ่งรายการ ความยาวของแต่ละเส้นแสดงช่วงความน่าเชื่อถือ 94%

Forest plot

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)

กราฟแสดงเส้นสองเส้น แต่ละเส้นแทนการกระจายหนึ่งรายการ ความยาวของแต่ละเส้นแสดงช่วงความน่าเชื่อถือ 99%

มาฝึกกันเถอะ!

การวิเคราะห์ข้อมูลแบบเบย์เซียนด้วย Python