Quanto può andar male?
Hai concluso che, con il 98% di probabilità, gli annunci di abbigliamento hanno un click-through ratio più alto rispetto a quelli di sneakers. Questo suggerisce di estendere la campagna di abbigliamento a un pubblico più ampio. Tuttavia, c’è un rischio del 2% che in realtà siano gli annunci di sneakers a performare meglio. Se fosse così, quanti clic perderemmo lanciando la campagna di abbigliamento?
La risposta è la perdita attesa: la differenza posteriore media tra i due click-through ratio dato che gli annunci di sneakers vanno meglio. Per calcolarla, ti basta prendere le voci della differenza posteriore in cui il tasso di clic delle sneakers è più alto e calcolarne la media.
La differenza posteriore tra i tassi di clic, diff, è disponibile nel tuo workspace. Scopriamo quanto è a rischio!
Questo esercizio fa parte del corso
Analisi dei dati bayesiana in Python
Istruzioni dell'esercizio
- Fai lo slicing di
diffper prendere solo i casi in cui è negativa (corrispondenti a un tasso di clic delle sneakers più alto) e assegna il risultato aloss. - Calcola la media di
loss, assegnala aexpected_losse stampala.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Slice diff to take only cases where it is negative
loss = ____
# Compute and print expected loss
expected_loss = ____
print(____)