Wie schlimm kann es werden?
Du hast festgestellt, dass mit 98 % Wahrscheinlichkeit Kleidungsanzeigen eine höhere Klickrate haben als Sneaker-Anzeigen. Das spricht dafür, die Kampagne für Kleidung auf eine größere Zielgruppe auszurollen. Es besteht jedoch ein 2%iges Risiko, dass tatsächlich die Sneaker-Anzeigen besser sind. Falls das so ist: Wie viele Klicks verlieren wir, wenn wir die Kleidungskampagne ausrollen?
Die Antwort darauf ist der erwartete Verlust: die durchschnittliche posteriori Differenz zwischen den beiden Klickraten unter der Bedingung, dass die Sneaker-Anzeigen besser sind. Dafür musst du nur die Einträge in der posterioren Differenz heranziehen, bei denen die Sneaker-Klickrate höher ist, und deren Durchschnitt berechnen.
Die posteriori Differenz zwischen den Klickraten, diff, steht dir in deinem Workspace zur Verfügung. Finden wir heraus, wie viel auf dem Spiel steht!
Diese Übung ist Teil des Kurses
Bayesianische Datenanalyse in Python
Anleitung zur Übung
- Slice
diff, sodass nur Fälle übernommen werden, in denen es negativ ist (entspricht höherer Sneaker-Klickrate), und weise das Ergebnislosszu. - Berechne den Durchschnitt von
loss, weise ihnexpected_losszu und gib ihn aus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Slice diff to take only cases where it is negative
loss = ____
# Compute and print expected loss
expected_loss = ____
print(____)