การอัปเดตความเชื่อ posterior
ทำได้ดีมากกับการประมาณค่าการกระจาย posterior ของอัตราประสิทธิผลในแบบฝึกหัดก่อนหน้า! แต่เนื่องจากขนาดตัวอย่างที่เล็ก การกระจายนี้จึงค่อนข้างกว้าง ซึ่งบ่งบอกว่ายังมีความไม่แน่นอนสูงเกี่ยวกับคุณภาพของยา โชคดีที่การทดสอบยายังคงดำเนินต่อไป และมีผู้ป่วย 12 รายถัดมาได้รับการรักษา โดย 10 รายหายจากอาการแล้ว เราจึงต้องอัปเดตการกระจาย posterior ด้วยข้อมูลใหม่นี้!
วิธีการ Bayesian ทำให้สิ่งนี้ง่ายมาก เพียงแค่รัน grid approximation เหมือนเดิม แต่เปลี่ยน prior ใหม่ โดยใช้ความรู้ทั้งหมดที่มีเกี่ยวกับอัตราประสิทธิผล (ซึ่งสรุปอยู่ในการกระจาย posterior จากแบบฝึกหัดก่อนหน้า) เป็น prior ใหม่ จากนั้นคำนวณ likelihood สำหรับข้อมูลใหม่ แล้วได้ posterior ใหม่!
DataFrame ที่สร้างไว้ในแบบฝึกหัดก่อนหน้า ซึ่งก็คือ df พร้อมใช้งานใน workspace แล้ว และ binom ถูก import จาก scipy.stats ให้เรียบร้อยแล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์ข้อมูลแบบเบย์เซียนด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])