Аналіз рішень

Баєсівський аналіз даних у Python

Michal Oleszak

Machine Learning Engineer

Аналіз рішень

  • Ті, хто ухвалює рішення, прагнуть максимізувати прибуток, зменшити витрати, рятувати життя тощо.

Шприц поряд із трьома банкнотами та числом 99%. Стрілка вказує від нього на піктограму однієї людини.

Баєсівський аналіз даних у Python

Аналіз рішень

  • Ті, хто ухвалює рішення, прагнуть максимізувати прибуток, зменшити витрати, рятувати життя тощо.

Шприц поряд з однією банкнотою та числом 98%. Стрілка вказує від нього на групу людей.

  • Аналіз рішень   →   перетворення параметрів на релевантні метрики для обґрунтованого вибору
Баєсівський аналіз даних у Python

Від апостеріорі до рішень

  • Щоб ухвалювати стратегічні рішення, слід знати ймовірності різних сценаріїв.
  • Байєсівські методи дозволяють легко перетворювати параметри на релевантні метрики.

 

Піктограма, що відображає розподіл частоти кліків.

Баєсівський аналіз даних у Python

Від апостеріорі до рішень

  • Щоб ухвалювати стратегічні рішення, слід знати ймовірності різних сценаріїв.
  • Байєсівські методи дозволяють легко перетворювати параметри на релевантні метрики.

 

Піктограма розподілу частоти кліків, помножена на "impressions".

Баєсівський аналіз даних у Python

Від апостеріорі до рішень

  • Щоб ухвалювати стратегічні рішення, слід знати ймовірності різних сценаріїв.
  • Байєсівські методи дозволяють легко перетворювати параметри на релевантні метрики.

 

Піктограма розподілу частоти кліків, помножена на "impressions", помножена на "revenue per click".

Баєсівський аналіз даних у Python

Від апостеріорі до рішень

  • Щоб ухвалювати стратегічні рішення, слід знати ймовірності різних сценаріїв.
  • Байєсівські методи дозволяють легко перетворювати параметри на релевантні метрики.

 

Піктограма розподілу частоти кліків, помножена на "impressions", помножена на "revenue per click", дорівнює піктограмі розподілу виручки.

Баєсівський аналіз даних у Python

Апостеріорна виручка

# 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

Дві щільності, що трохи перекриваються.

Дві щільності, що значною мірою перекриваються.

Баєсівський аналіз даних у Python

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)

Графік із двома лініями, кожна позначає один розподіл. Довжина лінії — 94% достовірний інтервал.

Баєсівський аналіз даних у Python

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)

Графік із двома лініями, кожна позначає один розподіл. Довжина лінії — 99% достовірний інтервал.

Баєсівський аналіз даних у Python

Проаналізуймо рішення!

Баєсівський аналіз даних у Python

Preparing Video For Download...