Hur illa kan det gå?
Du har kommit fram till att det med 98% sannolikhet är klädannonser som har en högre klickfrekvens än sneakersannonser. Det talar för att lansera klädkampanjen till en bredare målgrupp. Det finns dock en risk på 2% att det faktiskt är sneakersannonserna som presterar bättre. Om så är fallet – hur många klick förlorar vi om vi rullar ut klädkampanjen?
Svaret på det är den förväntade förlusten: den genomsnittliga posteriora skillnaden mellan de två klickfrekvenserna, givet att sneakersannonserna presterar bättre. För att beräkna den behöver du bara ta de värden i den posteriora skillnaden där sneakersannonsernas klickfrekvens är högre och beräkna deras medelvärde.
Den posteriora skillnaden mellan klickfrekvenserna, diff, finns tillgänglig i din arbetsyta. Nu tar vi reda på hur mycket som står på spel!
Den här övningen är en del av kursen
Bayesiansk dataanalys i Python
Övningsinstruktioner
- Slica
diffför att ta ut enbart de fall där värdet är negativt (vilket motsvarar att sneakersannonsernas klickfrekvens är högre) och tilldela resultatet tillloss. - Beräkna medelvärdet av
loss, tilldela det tillexpected_lossoch skriv ut det.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Slice diff to take only cases where it is negative
loss = ____
# Compute and print expected loss
expected_loss = ____
print(____)