Регресія та прогнозування

Баєсівський аналіз даних у Python

Michal Oleszak

Machine Learning Engineer

Лінійна регресія

$$y = \beta_0 + \beta_1x_1 + \beta_2x_2 + ...$$

$$\text{sales} = \beta_0 + \beta_1\text{marketingSpending}$$

Частотний висновок:
- $\text{sales} = \beta_0 + \beta_1\text{marketingSpending} + \varepsilon$
- $\varepsilon \sim \mathcal{N} (0, \sigma)$

Байєсівський висновок:
- $\text{sales} \sim \mathcal{N} (\beta_0 + \beta_1\text{marketingSpending}, \sigma)$

Нормальний розподіл

normal_0_1 = np.random.normal(0, 1, size=10000)




sns.kdeplot(normal_0_1, shade=True, label="N(0,1)")



plt.show()

Густина стандартного нормального розподілу: пік у 0, симетричний.

Нормальний розподіл

normal_0_1 = np.random.normal(0, 1, size=10000)
normal_3_1 = np.random.normal(3, 1, size=10000)


sns.kdeplot(normal_0_1, shade=True, label="N(0,1)")
sns.kdeplot(normal_3_1, shade=True, label="N(3,1)")


plt.show()

Густина нормального розподілу з піком у 3, симетричний.

Нормальний розподіл

normal_0_1 = np.random.normal(0, 1, size=10000)
normal_3_1 = np.random.normal(3, 1, size=10000)
normal_0_3 = np.random.normal(0, 3, size=10000)

sns.kdeplot(normal_0_1, shade=True, label="N(0,1)")
sns.kdeplot(normal_3_1, shade=True, label="N(3,1)")
sns.kdeplot(normal_0_3, shade=True, label="N(0,3)")

plt.show()

Густина стандартного нормального розподілу: пік у 0, симетричний.

Визначення байєсівської регресійної моделі

$$\text{sales} \sim \mathcal{N} (\beta_0 + \beta_1\text{marketingSpending}, \sigma)$$

$$\beta_0 \sim \mathcal{N} (5, 2)$$

$$\beta_1 \sim \mathcal{Н} (2, 10)$$

$$\sigma \sim \mathcal{Unif} (0, 3)$$

Очікуємо 5000 продажів без жодного маркетингу.
Очікуємо +2000 продажів на кожні +1000 витрат.
Рівномірний пріор для стандартного відхилення, бо ми цього не знаємо.

Оцінювання параметрів регресії

Ґраткова апроксимація → непрактична для багатьох параметрів
Обрати спряжені пріори й моделювати з відомого апостеріорного → неінтуїтивні пріори
Третій шлях: моделювати з апостеріорного навіть для неспряжених пріорів!
Поки що припустімо, що маємо вибірки параметрів

Візуалізація апостеріорного розподілу

$$\text{sales} = \beta_0 + \beta_1\text{marketingSpending}$$

print(marketing_spending_draws)

array([9.6153, 8.9922, ..., 4.59565])

import pymc3 as pm

pm.plot_posterior(
  marketing_spending_draws, 
  hdi_prob=0.95
)

Графік густини із позначеними середнім та довірчим інтервалом.

Аналіз вибірок з апостеріорного

posterior_draws_df = pd.DataFrame({
    "intercept_draws": intercept_draws,
    "marketing_spending_draws": marketing_spending_draws,
    "sd_draws": sd_draws
})

print(posterior_draws_df)

       intercept_draws  marketing_spending_draws      sd_draws
count     10000.000000              10000.000000  10000.000000
mean          2.972130                  5.999146      1.337621
std           3.008565                  2.020708      0.471723
min          -8.562093                 -2.842438      0.029643
25%           0.972832                  4.621807      1.003229
50%           3.002940                  5.975067      1.427617
75%           5.020615                  7.362572      1.736310
max          15.228549                 13.258955      1.999834

Предиктивний розподіл

Скільки продажів очікувати, якщо витратити $1000 на маркетинг?

$\text{sales} \sim \mathcal{N} (\beta_0 + \beta_1\text{marketingSpending}, \sigma)$

# Точкові оцінки параметрів
intercept_mean = intercept_draws.mean()
marketing_spending_mean = marketing_spending_draws.mean()
sd_mean = sd_draws.mean()


# Середнє предиктивного розподілу
predictive_mean = intercept_mean + marketing_spending_mean * 1000


# Моделювання з предиктивного розподілу
prediction_draws = np.random.normal(predictive_mean, sd_mean, size=10000)

Предиктивний розподіл

Скільки продажів очікувати, якщо витратити $1000 на маркетинг?

Дзвінкоподібна густина прогнозованих продажів з піком близько 5986.

Проведімо регресію та спрогнозуймо!

Баєсівський аналіз даних у Python