アボカドはいくら？

Pythonで学ぶBayesianデータ分析

Michal Oleszak

Machine Learning Engineer

The Avocado, Inc.

アボカドの果実。

ケーススタディ: 価格弾力性の推定

目標: アボカドの価格弾力性を推定し、価格を最適化する

（価格弾力性＝価格変化が販売量に与える影響）

ベイズ回帰モデルを当てる。
正しく学習できているか検証。
価格ごとの販売量を予測。
利益最大となる価格と不確実性を提案。

アボカドのデータ

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 データソース: https://www.kaggle.com/neuromusic/avocado-prices

pymc3の事前分布

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の事前分布

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)

トレースからのサンプル抽出

temp_draws = trace.get_values("temp")

print(temp_draws)

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

必要なもの

モデル適合:

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

可視化:

pm.forestplot()
pm.traceplot()

予測:

pm.fast_sample_posterior_predictive()

推論:

az.hdi()

学んだことを実践しましょう！

Pythonで学ぶBayesianデータ分析