क्रियान्वयन में Simpson's paradox
हमारे A/B टेस्ट के नतीजों को जनसंख्या के अलग-अलग सेगमेंट्स पर जनरलाइज़ करना बिज़नेस के लिए कई बार बेहद अहम होता है. कभी-कभी हम अलग-अलग शहरों या अलग डिवाइसेज़ पर अलग टेस्ट चलाने की लागत बचाना चाहते हैं. अगर उप-समूहों में भी हमारे नतीजे एक जैसे रहें, तो ऐसी सामान्यीकरण करने में हमारा भरोसा बढ़ता है.
A/B टेस्टिंग परिदृश्यों में यह घटना कैसे घट सकती है, इसे समझने के लिए simp_balanced और simp_imbalanced डेटासेट्स को Simpson's paradox के संदर्भ में जाँचिए.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में A/B Testing
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Calculate the conversion rate per variant and then browser
imbalanced_variant_rate = simp_imbalanced.____('____')['____'].____()
imbalanced_variant_browser_rate = simp_imbalanced.____(['____','____'])['____'].____()
print(imbalanced_variant_rate)
print(imbalanced_variant_browser_rate)