Op weg naar grid-approximatie

Gefeliciteerd! Je bent zojuist aangenomen als data-analist bij het Ministerie van Volksgezondheid. Het kabinet overweegt de aanschaf van een gloednieuw medicijn tegen een dodelijk en besmettelijk virus. Er bestaan echter twijfels over hoe effectief het nieuwe medicijn is tegen het virus. Jij krijgt de taak om de werkzaamheid van het medicijn te schatten, oftewel het percentage patiënten dat door het medicijn geneest.

Er is snel een experiment opgezet waarbij 10 zieke patiënten met het medicijn zijn behandeld. Zodra je weet hoeveel van hen genezen zijn, kun je de binomiale verdeling gebruiken, waarbij een genezen patiënt een "succes" is en de werkzaamheid de "kans op succes". Terwijl je op de resultaten van het experiment wacht, besluit je het parameterrooster alvast voor te bereiden.

numpy en pandas zijn al voor je geïmporteerd als respectievelijk np en pd.

Deze oefening maakt deel uit van de cursus

Bayesian Data Analysis in Python

Cursus bekijken

Oefeninstructies

Gebruik np.arange() om een array te maken met alle mogelijke aantallen genezen patiënten (van 0 tot en met 10) en wijs deze toe aan num_patients_cured.
Gebruik np.arange() om een array te maken met alle mogelijke waarden voor de werkzaamheid (van 0 tot 1, in stappen van 0,01) en wijs deze toe aan efficacy_rate.
Combineer num_patients_cured en efficacy_rate in een DataFrame genaamd df, met alle mogelijke combinaties van de twee.
Wijs ["num_patients_cured", "efficacy_rate"] toe aan de kolommen van df en print het.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create cured patients array from 1 to 10
num_patients_cured = ____

# Create efficacy rate array from 0 to 1 by 0.01
efficacy_rate = ____

# Combine the two arrays in one DataFrame
df = ____([(x, y) for x in ____ for y in ____])

# Name the columns
df.columns = ____

# Print df
print(df)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Bayesian Data Analysis in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

Take your first steps in the Bayesian world. In this chapter, you’ll be introduced to the basic concepts of probability and statistical distributions, as well as to the famous Bayes' Theorem, the cornerstone of Bayesian methods. Finally, you’ll build your first Bayesian model to draw conclusions from randomized coin tosses.

Exercise 1: Who is Bayes? What is Bayes?Exercise 2: Bayesians vs. Frequentists Exercise 3: Probability distributions Exercise 4: Probability and Bayes' Theorem Exercise 5: Let's play cards Exercise 6: Bayesian spam filter Exercise 7: What does the test say?Exercise 8: Tasting the Bayes Exercise 9: Tossing a coin Exercise 10: The more you toss, the more you learn Exercise 11: Hey, is this coin fair?

It’s time to look under the Bayesian hood. You’ll learn how to apply Bayes' Theorem to drug-effectiveness data to estimate the parameters of probability distributions using the grid approximation technique, and update these estimates as new data become available. Next, you’ll learn how to incorporate prior knowledge into the model before finally practicing the important skill of reporting results to a non-technical audience.

Exercise 1: Onder de Bayesiaanse motorkap Exercise 2: Op weg naar grid-approximatie

Huidige oefening

Exercise 3: Rasterbenadering zonder voorkennis Exercise 4: Posterior bijwerken Exercise 5: A-prioriverwachting Exercise 6: De waarheid van de prior Exercise 7: De juiste prior kiezen Exercise 8: Posterior-trekkingen simuleren Exercise 9: Bayesiaanse resultaten rapporteren Exercise 10: Puntschattingen Exercise 11: Highest Posterior Density-credible intervals Exercise 12: De betekenis van geloofwaardigheid

Apply your newly acquired Bayesian data analysis skills to solve real-world business challenges. You’ll work with online sales marketing data to conduct A/B tests, decision analysis, and forecasting with linear regression models.

Exercise 1: A/B testing Exercise 2: Simulate beta posterior Exercise 3: Posterior click rates Exercise 4: A or B, and how sure are we?Exercise 5: How bad can it be?Exercise 6: Decision analysis Exercise 7: Decision analysis: cost Exercise 8: Decision analysis: profit Exercise 9: Regression and forecasting Exercise 10: Defining a Bayesian regression model Exercise 11: Analyzing regression parameters Exercise 12: Predictive distribution

In this final chapter, you’ll take advantage of the powerful PyMC3 package to easily fit Bayesian regression models, conduct sanity checks on a model's convergence, select between competing models, and generate predictions for new data. To wrap up, you’ll apply what you’ve learned to find the optimal price for avocados in a Bayesian data analysis case study. Good luck!

Exercise 1: Markov Chain Monte Carlo and model fitting Exercise 2: Markov Chain Monte Carlo Exercise 3: Sampling posterior draws Exercise 4: Interpreting results and comparing models Exercise 5: Inspecting posterior draws Exercise 6: Comparing models with WAIC Exercise 7: Making predictions Exercise 8: Sample from predictive density Exercise 9: Estimating test error Exercise 10: How much is an avocado?Exercise 11: Fitting the model Exercise 12: Inspecting the model Exercise 13: Optimizing the price Exercise 14: Final remarks