อะโวคาโดราคาเท่าไหร่?

การวิเคราะห์ข้อมูลแบบเบย์เซียนด้วย Python

Michal Oleszak

Machine Learning Engineer

Avocado, Inc.

ผลอะโวคาโด

กรณีศึกษา: การประมาณค่าความยืดหยุ่นของราคา

เป้าหมาย: ประมาณค่าความยืดหยุ่นของราคาอะโวคาโดและหาราคาที่เหมาะสมที่สุด

(ความยืดหยุ่นของราคา = ผลของการเปลี่ยนแปลงราคาต่อปริมาณการขาย)

สร้างโมเดล Bayesian regression
ตรวจสอบโมเดลเพื่อยืนยันความถูกต้อง
พยากรณ์ปริมาณการขายในราคาต่างๆ
เสนอราคาที่ให้กำไรสูงสุดพร้อมระบุความไม่แน่นอน

ข้อมูลอะโวคาโด

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

Priors ใน 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 ใน 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)

การดึงค่า draws จาก trace

temp_draws = trace.get_values("temp")

print(temp_draws)

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

สิ่งที่ต้องใช้

การ fit โมเดล:

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

การแสดงผล:

pm.forestplot()
pm.traceplot()

การพยากรณ์:

pm.fast_sample_posterior_predictive()

การอนุมาน:

az.hdi()

มาฝึกกันเถอะ!

การวิเคราะห์ข้อมูลแบบเบย์เซียนด้วย Python