Posteriora klickfrekvenser
Efter en framgångsrik period på Hälsodepartementet byter du till marknadsföring. Ditt nya företag har precis genomfört två pilotreklamkampanjer: en för sneakers och en för kläder. Din uppgift är att ta reda på vilken som var mest effektiv, mätt som klickfrekvens, och därmed bör rullas ut till en större målgrupp.
Du bestämmer dig för att köra A/B-testning och modellera data med binomial likelihood. Du har tagit reda på att en typisk klickfrekvens för tidigare annonser har legat runt 15% på sistone, med resultat som varierar mellan 5% och 30%. Utifrån detta drar du slutsatsen att \(Beta(10, 50)\) skulle vara en bra prior för klickfrekvensen.
Datan ads, funktionen simulate_beta_posterior() som du såg i videon, och numpy (som np) finns tillgängliga i din workspace.
Den här övningen är en del av kursen
Bayesiansk dataanalys i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()