Posteriorní míry prokliků
Po úspěšné kariérní epizodě na ministerstvu zdravotnictví přecházíš do marketingu. Tvoje nová firma právě spustila dvě pilotní reklamní kampaně: jednu pro tenisky a jednu pro oblečení. Tvým úkolem je zjistit, která z nich byla efektivnější z hlediska míry prokliků a měla by být rozšířena na širší publikum.
Rozhodneš se provést A/B testování a data modelovat pomocí binomické věrohodnostní funkce. Zjistil/a jsi, že typická míra prokliků u předchozích reklam se v poslední době pohybovala kolem 15 %, přičemž výsledky kolísaly mezi 5 % a 30 %. Na základě toho usuzuješ, že \(Beta(10, 50)\) by bylo vhodné apriorní rozdělení pro míru prokliků.
V pracovním prostředí máš k dispozici data ads, funkci simulate_beta_posterior() z videa a numpy (jako np).
Toto cvičení je součástí kurzu
Bayesian Data Analysis in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()