1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Bayesowska analiza danych w Pythonie
Connected

Cvičení

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).

Pokyny 1/4

undefined XP
    1
    2
    3
    4
  • Zasymuluj 100 000 losowań z rozkładu a priori i przypisz wynik do zmiennej prior_draws.
  • Wykreśl gęstość rozkładu prior_draws, aby upewnić się, że odzwierciedla twoją wiedzę a priori o współczynniku klikalności.