Vad kostar en avokado?
Bayesiansk dataanalys i Python
Michal Oleszak
Machine Learning Engineer
The Avocado, Inc.
Fallstudie: uppskattning av priselasticitet
Mål: uppskatta priselasticitet för avokado och optimera priset
(priselasticitet = prisförändringens inverkan på försäljningsvolymen)
- Anpassa en bayesiansk regressionsmodell.
- Granska modellen för att verifiera att den är korrekt.
- Förutsäg försäljningsvolym för olika priser.
- Föreslå det vinstmaximerande priset och tillhörande osäkerhet.
Avokadodata
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 Datakälla: https://www.kaggle.com/neuromusic/avocado-prices
Priors i 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)
Priors i 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)
Hämta sampel från trace
temp_draws = trace.get_values("temp")print(temp_draws)
array([6.8705346, 6.7421152, 6.7393061, ..., 5.966574 , 6.1274128, 6.7149277])
Vad du behöver
Modellanpassning:
pm.Model()pm.GLM.from_formula()pm.sample()pm.Normal()
Visualisering:
pm.forestplot()pm.traceplot()
Prediktioner:
pm.fast_sample_posterior_predictive()
Inferens:
az.hdi()
Nu kör vi en övning!
Bayesiansk dataanalys i Python
