Hoe erg kan het zijn?

Je hebt geconcludeerd dat met 98% kans kledingadvertenties een hogere click-throughrate hebben dan sneakeradvertenties. Dat suggereert om de kledingcampagne naar een groter publiek uit te rollen. Er is echter 2% risico dat juist de sneakeradvertenties beter zijn. Als dat zo is, hoeveel klikken lopen we mis als we de kledingcampagne uitrollen?

Het antwoord hierop is het verwachte verlies: het gemiddelde van het posteriorverschil tussen de twee click-throughrates, gegeven dat sneakeradvertenties beter scoren. Om dit te berekenen, hoef je alleen de waarden in het posteriorverschil te nemen waarbij de click-throughrate voor sneakers hoger is, en daarvan het gemiddelde te bepalen.

Het posteriorverschil tussen de klikratio’s, diff, is beschikbaar in je werkruimte. Laten we uitzoeken hoeveel er op het spel staat!

Deze oefening maakt deel uit van de cursus

Bayesian Data Analysis in Python

Cursus bekijken

Oefeninstructies

Slice diff zodat je alleen de gevallen neemt waarin het negatief is (wat overeenkomt met een hogere klikratio voor sneakers) en wijs het resultaat toe aan loss.
Bereken het gemiddelde van loss, wijs dit toe aan expected_loss en print het.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Slice diff to take only cases where it is negative
loss = ____

# Compute and print expected loss
expected_loss = ____
print(____)

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: Under the Bayesian hood Exercise 2: Towards grid approximation Exercise 3: Grid approximation without prior knowledge Exercise 4: Updating posterior belief Exercise 5: Prior belief Exercise 6: The truth of the prior Exercise 7: Picking the right prior Exercise 8: Simulating posterior draws Exercise 9: Reporting Bayesian results Exercise 10: Point estimates Exercise 11: Highest Posterior Density credible intervals Exercise 12: The meaning of credibility

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-testen Exercise 2: Simuleer beta-posterieur Exercise 3: Posterior klikpercentages Exercise 4: A of B, en hoe zeker zijn we?Exercise 5: Hoe erg kan het zijn?

Huidige oefening

Exercise 6: Beslissingsanalyse Exercise 7: Beslissingsanalyse: kosten Exercise 8: Beslissingsanalyse: winst Exercise 9: Regressie en forecasting Exercise 10: Een Bayesiaans regressiemodel definiëren Exercise 11: Regressieparameters analyseren Exercise 12: Predictieve verdeling

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