SRM
Bir deneyi, her varyanta belirli bir yüzdeyle katılımcı birimleri (ör. kullanıcılar) atayacak şekilde tasarladığımızda, günlükleme sorunları, gecikmeler, küçük enstrümantasyon hataları vb. nedenlerle ufak farklılıklar olmasını bekleriz. Ancak bu sapma beklenenden büyük olduğunda, bu genellikle test sonuçlarımızı geçersiz kılabilecek ve önyargıya yol açabilecek daha büyük bir sorunun işareti olur. Bu egzersizin amacı, yalnızca şansla açıklanamayacak kadar büyük atama uyumsuzluklarını yakalamana olanak tanıyan istatistiksel teknikleri incelemektir.
Bir analytics mühendisi olarak rolün, A/B testlerinde örnek oranı uyumsuzluklarını yakalamak için çerçeveler tasarlamayı ve hatta otomatikleştirmeyi gerektirebilir. checkout DataFrame’i senin için, pandas ve numpy kütüphaneleriyle birlikte yüklendi. Kontrol grubunu checkout tasarım 'A', tedavi grubunu ise 'B' olarak ele alalım.
Bu egzersiz, kursun bir parçasıdır
Python ile A/B Testi
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Assign the unqiue counts to each variant
control_users = ____
treatment_users = ____
total_users = ____ + ____
print("Control unique users:",control_users)
print("Control unique users:",treatment_users)