Сколько стоит авокадо?

Байесовский анализ данных на Python

Michal Oleszak

Machine Learning Engineer

Avocado, Inc.

Плоды авокадо.

Практический пример: оценка ценовой эластичности

Цель: оценить ценовую эластичность авокадо и оптимизировать цену

(ценовая эластичность = влияние изменения цены на объём продаж)

Обучить байесовскую регрессионную модель.
Проверить корректность модели.
Предсказать объём продаж при разных ценах.
Предложить цену, максимизирующую прибыль, с оценкой неопределённости.

Данные об авокадо

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 Источник данных: https://www.kaggle.com/neuromusic/avocado-prices

Априорные распределения в 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)

Априорные распределения в 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)

Извлечение выборок из трассировки

temp_draws = trace.get_values("temp")

print(temp_draws)

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

Что вам понадобится

Обучение модели:

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

Визуализация:

pm.forestplot()
pm.traceplot()

Предсказание:

pm.fast_sample_posterior_predictive()

Вывод:

az.hdi()

Давайте потренируемся!

Байесовский анализ данных на Python