Bir avokado ne kadar?

Python ile Bayesçi Veri Analizi

Michal Oleszak

Machine Learning Engineer

The Avocado, Inc.

Avokado meyveleri.

Vaka çalışması: fiyat esnekliğini tahmin etme

Amaç: avokadonun fiyat esnekliğini tahmin etmek ve fiyatı optimize etmek

(fiyat esnekliği = fiyattaki değişimin satış hacmine etkisi)

Bayesçi bir regresyon modeli kurun.
Doğruluğunu görmek için modeli inceleyin.
Farklı fiyatlar için satış hacmini tahmin edin.
Kârı maksimize eden fiyatı ve belirsizliğini önerin.

Avokado verileri

print(avocado)

           date  price      volume  type_organic
0    2015-01-04   0.95  313.242777             0
1    2015-01-11   1.01  290.635427             0
2    2015-01-18   1.03  290.434588             0
3    2015-01-25   1.04  284.703108             0
..          ...    ...         ...           ...
334  2018-03-04   1.52   16.344308             1
335  2018-03-11   1.52   16.642349             1
336  2018-03-18   1.54   16.758042             1
337  2018-03-25   1.55   15.599672             1

¹ Veri kaynağı: https://www.kaggle.com/neuromusic/avocado-prices

pymc3'te önceller

formula = "num_bikes ~ temp + work_day + wind_speed"

with pm.Model() as model:

    pm.GLM.from_formula(formula, data=bikes)
    trace = pm.sample(draws=1000, tune=500)

pymc3'te önceller

formula = "num_bikes ~ temp + work_day + wind_speed"

with pm.Model() as model:
    priors = {"wind_speed": pm.Normal.dist(mu=-5)}
    pm.GLM.from_formula(formula, data=bikes, priors=priors)
    trace = pm.sample(draws=1000, tune=500)

İzden örnekleri çıkarma

temp_draws = trace.get_values("temp")

print(temp_draws)

array([6.8705346, 6.7421152, 6.7393061, ..., 5.966574 , 6.1274128, 6.7149277])

Gerekenler

Model kurma:

pm.Model()
pm.GLM.from_formula()
pm.sample()
pm.Normal()

Görselleştirme:

pm.forestplot()
pm.traceplot()

Tahmin yapma:

pm.fast_sample_posterior_predictive()

Çıkarım:

az.hdi()

Öğrendiklerinizi pratiğe dökelim!

Python ile Bayesçi Veri Analizi