Ile kosztuje awokado?
Bayesowska analiza danych w Pythonie
Michal Oleszak
Machine Learning Engineer
Avocado, Inc.
Studium przypadku: szacowanie elastyczności cenowej
Cel: oszacowanie elastyczności cenowej awokado i optymalizacja ceny
(elastyczność cenowa = wpływ zmiany ceny na wolumen sprzedaży)
- Dopasowanie bayesowskiego modelu regresji.
- Weryfikacja poprawności modelu.
- Prognozowanie wolumenu sprzedaży dla różnych cen.
- Wyznaczenie ceny maksymalizującej zysk i związanej z nią niepewności.
Dane o awokado
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 Data source: https://www.kaggle.com/neuromusic/avocado-prices
Rozkłady a priori w pymc3
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)
Rozkłady a priori w pymc3
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)
Pobieranie próbek z śladu
temp_draws = trace.get_values("temp")print(temp_draws)
array([6.8705346, 6.7421152, 6.7393061, ..., 5.966574 , 6.1274128, 6.7149277])
Co będzie potrzebne
Dopasowanie modelu:
pm.Model()pm.GLM.from_formula()pm.sample()pm.Normal()
Wizualizacja:
pm.forestplot()pm.traceplot()
Przewidywanie:
pm.fast_sample_posterior_predictive()
Wnioskowanie:
az.hdi()
Czas zastosować zdobytą wiedzę w praktyce!
Bayesowska analiza danych w Pythonie
