Jalur pintas dengan kondisi

Bagus, Anda baru saja melakukan komputasi Bayesian tanpa melakukan simulasi! Plot yang Anda hasilkan seharusnya mirip dengan distribusi posterior yang Anda hitung di bab 3. Namun, Anda dapat melihat bahwa ini membutuhkan sangat banyak kode. Apakah tidak ada yang bisa kita pangkas?

Ada! Anda dapat langsung melakukan pengkondisian pada data, tanpa perlu terlebih dahulu membuat distribusi gabungan.

Latihan ini merupakan bagian dari kursus

Dasar-dasar Analisis Data Bayesian di R

Lihat Kursus

Instruksi latihan

Atur n_visitors langsung ke 6, cukup ganti pernyataan seq.
Sekarang Anda dapat menghapus baris yang melakukan pengkondisian pada data, dan baris setelahnya yang menormalkan pars$probability.
Periksa kembali kode final dan yakinkan diri Anda bahwa hasil dari kode yang dimodifikasi ini akan sama seperti sebelumnya. :)

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Simplify the code below by directly conditioning on the data
n_ads_shown <- 100
proportion_clicks <- seq(0, 1, by = 0.01)
n_visitors <- seq(0, 100, by = 1)
pars <- expand.grid(proportion_clicks = proportion_clicks,
                    n_visitors = n_visitors)
pars$prior <- dunif(pars$proportion_clicks, min = 0, max = 0.2)
pars$likelihood <- dbinom(pars$n_visitors, 
    size = n_ads_shown, prob = pars$proportion_clicks)
pars$probability <- pars$likelihood * pars$prior
pars$probability <- pars$probability / sum(pars$probability)
pars <- pars[pars$n_visitors == 6, ]
pars$probability <- pars$probability / sum(pars$probability)
plot(pars$proportion_clicks, pars$probability, type = "h")

Edit dan Jalankan Kode