Dự đoán

Phân tích dữ liệu Bayesian với Python

Michal Oleszak

Machine Learning Engineer

Lại mô hình số lần nhấp

formula = "num_clicks ~ clothes_banners_shown + sneakers_banners_shown + weekend"

with pm.Model() as model_2:
    pm.GLM.from_formula(formula, data=ads_aggregated)
    trace_2 = pm.sample(draws=1000, tune=500)

Dữ liệu kiểm thử quảng cáo

print(ads_test)

   clothes_banners_shown  sneakers_banners_shown  num_clicks  weekend
0                     40                      36           7     True
1                     42                      47           8    False
2                     45                      37          11    False
3                     22                      15           4    False
4                     20                      18           2    False

Lấy mẫu dự đoán hậu nghiệm

with pm.Model() as model:

    pm.GLM.from_formula(formula, data=ads_test)

    posterior_predictive = pm.fast_sample_posterior_predictive(trace_2)

Mẫu dự đoán

posterior_predictive["y"].shape

(4000, 5)

print(posterior_predictive["y"])

array([[12.83527253, 10.22454815, 11.20386868,  7.50227286,  6.85458594],
       [ 3.1015655 ,  6.1253004 , 11.38324931,  2.1844722 ,  4.21451756],
       [ 3.40141276,  9.10157964,  6.57689421,  8.26669814,  4.23812161],
       ...,
       [10.97303606,  9.0772305 , 10.6877039 ,  1.78448969,  6.75663075],
       [ 8.53734584, 12.14079593, 11.00969881,  4.69875055,  8.317338  ],
       [16.44713387, 17.35163824, 19.59359831,  2.84058536,  4.21108186]])

Dự đoán có tốt không?

   clothes_banners_shown  sneakers_banners_shown  num_clicks  weekend
0                     40                      36           7     True

pm.plot_posterior(posterior_predictive["y"][:, 0])

Biểu đồ mật độ của các mẫu dự đoán, có đánh dấu trung bình và khoảng tin cậy.

Phân phối lỗi kiểm thử

errors = []


for index, test_example in ads_test.iterrows():

    error = posterior_predictive["y"][:, index] - test_example["num_clicks"]

    errors.append(error)


error_distribution = np.array(errors).reshape(-1)

error_distribution.shape

(20000,)

pm.plot_posterior(error_distribution)

Phân phối lỗi kiểm thử

Biểu đồ mật độ của lỗi mô hình, có đánh dấu trung bình và khoảng tin cậy.

Hãy dự đoán!

Phân tích dữ liệu Bayesian với Python