Många vill veta hur Bayesian-metoden fungerar när man viktar betygen så jag ska försöka förklara principen så enkelt som möjligt. Det här inlägget återfinns även i första inlägget på nyheten som introducerade den nya metoden (finns på framsidan, nyheter för Garaget v7.4).
Grundproblemet ligger i ett vanligt medelvärde för en bil. Säg att vi har två bilar A och B. Båda har endast 5:or i betyg. A har 10 st 5:or och B har 9 st 5:or. Beräknar man ett medelvärde för dessa så får båda bilarna exakt 5 i snitt.
Om man skulle göra en lista på dessa två bilar sorterat på betyg så hamnar båda på samma plats i och med att de har samma betyg, trots att bil A faktiskt har en röst mer än bil B. Rent logiskt så bör bil A som har 10 röster rankas högre än bil B som bara har 9 röster. Bayesian-metoden löser detta på ett finurligt sätt.
I bayesian-metoden så tar man hänsyn till två variabler. Först och främst den enskilda bilens riktiga snitt men också det generella snittet för alla bilar på Garaget. Förhållandet mellan dessa regleras baserat på hur många som röstat på bilen. Dvs, en bil med få röster får ett vägt snitt som lutar åt det generella snittet för alla bilar, medan en bil med många betyg lutar åt bilen riktiga snitt. Vägningen sker gradvis för varje röst.
Det innebär att bil A i vårt exempel lutar något mer åt bilens riktiga snitt (exakt 5) än vad bil B gör eftersom A har 10 röster och bil B 9 röster. Det ger att bilens vägda snitt blir aningen aningen högre för A än för B och rankningen i listan blir då korrekt.
Kort och gott; desto fler röster en bil har, desto närmare kommer bilens vägda betyg bilens riktiga medelvärde.
Fördelarna är att en bil med endast 10 st 5:or aldrig kan komma högre upp än en bil som t.ex. har 99 st 5:or och en 4:a t.ex, vilket vore helt orimligt (99 st 5:or och en 4:a ger ett aningen lägre medelvärde än 10 st 5:or).
Jag hoppas att det har klarnat något nu. Metoden är som sagt välanvänd på många sajter där rakningen är viktig, bland andra www.imdb.com.