详细内容或原文请订阅后点击阅览
DIY AI 和 ML：利用 Thompson 采样解决多臂老虎机问题
如何在 Python 中构建自己的 Thompson 采样算法对象并将其应用到假设的实际示例中 DIY AI 和 ML：用 Thompson 采样解决多臂强盗问题一文首先出现在《走向数据科学》上。
来源:走向数据科学简介
数据驱动决策。大多数组织不仅维护着庞大的信息数据库，而且还有无数的团队依赖这些数据来制定决策。从点击流流量到可穿戴边缘设备、遥测等，数据驱动决策的速度和规模呈指数级增长，推动了机器学习和人工智能框架集成的普及。
说到数据驱动的决策框架，最可靠且经过时间考验的方法之一是 A/B 测试。 A/B 测试在网站、数字产品和类似商店中尤其受欢迎，这些商店几乎可以立即大规模地收到点击、订单等形式的客户反馈。A/B 测试之所以成为如此强大的决策框架，是因为它能够控制无数变量，以便利益相关者能够看到他们在测试中引入的元素对关键绩效指标 (KPI) 的影响。
像所有事情一样，A/B 测试也有缺点，尤其是它所花费的时间。测试结束后，必须有人传达结果，利益相关者必须使用适当的渠道做出决定并实施。假设测试经验显示出影响，那么所有损失的时间都可以转化为机会成本。如果有一个框架或算法可以系统地自动化这个过程呢？这就是汤普森采样发挥作用的地方。
多臂老虎机问题
此时，您决定将 Machine Cat 的拉取率略高于其他两个，因为您相信有更多证据表明 Machine Cha 的胜率最高，但您希望收集更多数据来确定。经过接下来的几次迭代，您看一下新结果：