Posteriorowe współczynniki kliknięć
Po udanym epizodzie w Ministerstwie Zdrowia przechodzisz do marketingu. Twoja nowa firma przeprowadziła właśnie dwie pilotażowe kampanie reklamowe: jedną dla sneakersów i jedną dla odzieży. Twoim zadaniem jest sprawdzenie, która z nich była skuteczniejsza pod względem współczynnika klikalności (click-through rate) i powinna zostać wdrożona na szerszą skalę.
Postanawiasz przeprowadzić test A/B, modelując dane przy użyciu funkcji wiarygodności dwumianowej. Wiesz, że typowy współczynnik klikalności dla poprzednich reklam wynosił ostatnio około 15%, a wyniki wahały się między 5% a 30%. Na tej podstawie stwierdzasz, że \(Beta(10, 50)\) będzie dobrym rozkładem a priori dla współczynnika klikalności.
W środowisku pracy dostępne są: dane ads, funkcja simulate_beta_posterior() pokazana w filmie oraz biblioteka numpy (jako np).
To ćwiczenie jest częścią kursu
Bayesowska analiza danych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()