Апріорні кліки: posterior для ставок
Після успішного епізоду кар'єри в департаменті охорони здоров'я ви переходите в маркетинг. Нова компанія щойно запустила дві пілотні рекламні кампанії: одну для кросівок і одну для одягу. Ваше завдання — з'ясувати, яка з них була ефективнішою за показником клікабельності (click-through rate) і яку варто масштабувати на ширшу аудиторію.
Ви вирішуєте провести A/B‑тестування, змоделювавши дані за допомогою біноміального розподілу правдоподібності. Ви з'ясували, що типовий показник клікабельності для попередніх оголошень останнім часом був близько 15%, а результати коливалися між 5% і 30%. Виходячи з цього, ви робите висновок, що \(Beta(10, 50)\) буде доброю апріорною для показника клікабельності.
Дані ads, функція simulate_beta_posterior(), яку ви бачили у відео, та numpy (як np) доступні у вашому робочому середовищі.
Ця вправа є частиною курсу
Баєсівський аналіз даних у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()