การกำหนดโมเดล Bayesian regression

คุณได้รับมอบหมายให้สร้างโมเดลพยากรณ์จำนวนคลิกรายวัน โดยอิงจากจำนวนโฆษณาเสื้อผ้าและรองเท้าผ้าใบที่แสดงต่อผู้ใช้ คุณตัดสินใจใช้ Bayesian linear regression และกำหนดโมเดลไว้ดังนี้:

Model definition specifying the number of clicks to have a normal distribution with the mean β0 + β1 * clothes-ads-shown + β2 * sneakers-ads-shown, and some standard deviation. The prior for β0 is N(0, 001), for β1 it's N(0.1, 0.3) and for β2 it's N(0.2, 0.2).

ข้อใดต่อไปนี้ ไม่ถูกต้อง เกี่ยวกับโมเดลของคุณ?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์ข้อมูลแบบเบย์เซียนด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์ข้อมูลแบบเบย์เซียนด้วย Python

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

เริ่มต้นก้าวแรกสู่โลกของเบย์เซียน ในบทนี้จะได้รู้จักแนวคิดพื้นฐานของความน่าจะเป็นและการแจกแจงทางสถิติ รวมถึงทฤษฎีบทเบย์ส์อันโด่งดัง ซึ่งเป็นรากฐานของวิธีการแบบเบย์เซียน จากนั้นจะได้สร้างโมเดลเบย์เซียนแรกเพื่อสรุปผลจากการโยนเหรียญแบบสุ่ม

Exercise 1: Bayes คือใคร? และ Bayes คืออะไร?Exercise 2: Bayesian vs. Frequentist Exercise 3: การแจกแจงความน่าจะเป็น Exercise 4: ความน่าจะเป็นและทฤษฎีบทของเบส์Exercise 5: มาเล่นไพ่กัน Exercise 6: ตัวกรองสแปมแบบ Bayesian Exercise 7: ผลตรวจบอกว่าอะไร?Exercise 8: ลิ้มรส Bayes Exercise 9: การโยนเหรียญ Exercise 10: ยิ่งโยนมาก ยิ่งเรียนรู้มาก Exercise 11: เหรียญนี้สมดุลหรือเปล่า?

ถึงเวลาเจาะลึกกลไกของเบย์เซียน จะได้เรียนรู้วิธีนำทฤษฎีบทเบย์ส์มาประยุกต์ใช้กับข้อมูลประสิทธิภาพของยา เพื่อประมาณค่าพารามิเตอร์ของการแจกแจงความน่าจะเป็นด้วยเทคนิค grid approximation และอัปเดตค่าประมาณเหล่านี้เมื่อมีข้อมูลใหม่เพิ่มขึ้น นอกจากนี้ยังจะได้เรียนรู้วิธีนำความรู้เดิม (prior knowledge) มาใส่ในโมเดล และฝึกทักษะสำคัญในการรายงานผลให้กับผู้ที่ไม่มีพื้นฐานด้านเทคนิค

Exercise 1: เปิดฝากระโปรง Bayesian Exercise 2: ก้าวสู่ grid approximation Exercise 3: การประมาณแบบกริดโดยไม่มีความรู้เดิม Exercise 4: การอัปเดตความเชื่อ posterior Exercise 5: ความเชื่อก่อนหน้า Exercise 6: ความจริงเกี่ยวกับ prior Exercise 7: เลือก Prior ที่เหมาะสม Exercise 8: การจำลอง posterior draws Exercise 9: การรายงานผลลัพธ์แบบ Bayesian Exercise 10: การประมาณค่าแบบจุด Exercise 11: ช่วงความน่าเชื่อถือแบบ Highest Posterior Density Exercise 12: ความหมายของความน่าเชื่อถือ

นำทักษะการวิเคราะห์ข้อมูลแบบเบย์เซียนที่เพิ่งเรียนรู้ไปแก้โจทย์ทางธุรกิจในชีวิตจริง จะได้ทำงานกับข้อมูลการตลาดออนไลน์เพื่อทำ A/B testing การวิเคราะห์เพื่อตัดสินใจ และการพยากรณ์ด้วยโมเดล linear regression

Exercise 1: A/B testing Exercise 2: จำลอง Beta Posterior Exercise 3: อัตราการคลิกจากการแจกแจงภายหลัง Exercise 4: A หรือ B แล้วเราแน่ใจแค่ไหน?Exercise 5: ความเสี่ยงที่อาจเกิดขึ้น Exercise 6: การวิเคราะห์เชิงการตัดสินใจ Exercise 7: การวิเคราะห์เชิงการตัดสินใจ: ต้นทุน Exercise 8: การวิเคราะห์การตัดสินใจ: กำไร Exercise 9: การถดถอยและการพยากรณ์Exercise 10: การกำหนดโมเดล Bayesian regression

แบบฝึกหัดปัจจุบัน

Exercise 11: การวิเคราะห์พารามิเตอร์ของการถดถอย Exercise 12: การแจกแจงเชิงพยากรณ์

ในบทสุดท้ายนี้ จะได้ใช้ประโยชน์จากแพ็กเกจ PyMC3 ที่ทรงพลัง เพื่อปรับโมเดล Bayesian regression ได้อย่างสะดวก ตรวจสอบความถูกต้องของการ convergence ของโมเดล เปรียบเทียบและเลือกระหว่างโมเดลที่แข่งขันกัน รวมถึงสร้างการพยากรณ์สำหรับข้อมูลใหม่ ท้ายที่สุดจะได้นำสิ่งที่เรียนมาทั้งหมดไปประยุกต์ใช้ในกรณีศึกษาการวิเคราะห์ข้อมูลแบบเบย์เซียน เพื่อหาราคาที่เหมาะสมที่สุดสำหรับอะโวคาโด โชคดี!

Exercise 1: Markov Chain Monte Carlo และการ Fitting โมเดล Exercise 2: Markov Chain Monte Carlo Exercise 3: การสุ่มตัวอย่าง posterior draws Exercise 4: การตีความผลลัพธ์และการเปรียบเทียบโมเดล Exercise 5: ตรวจสอบ Posterior Draws Exercise 6: การเปรียบเทียบโมเดลด้วย WAIC Exercise 7: การสร้างคำทำนาย Exercise 8: สุ่มตัวอย่างจาก Predictive Density Exercise 9: การประเมินค่าความผิดพลาดบนชุดข้อมูลทดสอบ Exercise 10: อะโวคาโดราคาเท่าไหร่?Exercise 11: การ Fit โมเดล Exercise 12: การตรวจสอบโมเดล Exercise 13: การหาราคาที่เหมาะสมที่สุด Exercise 14: บทสรุปท้ายบท