Échantillonner à partir de la densité prédictive

Enfin ! Votre tâche est de prédire le nombre de vélos loués par jour, et vous y êtes presque. Vous avez ajusté le modèle et vérifié la qualité des échantillons de paramètres. Vous avez aussi choisi le meilleur des deux modèles concurrents en vous basant sur le WAIC. Maintenant, il est temps d'utiliser votre meilleur modèle pour faire des prédictions !

Quelques nouvelles observations, non vues par le modèle, ont été réunies dans un DataFrame nommé bikes_test. Pour chacune, nous connaissons le nombre réel de vélos loués, ce qui nous permettra d'évaluer la performance du modèle. Dans cet exercice, vous allez vous familiariser avec les données de test et générer des tirages prédictifs pour chaque observation de test. La trace de votre modèle générée plus tôt est disponible sous trace_2, et pymc3 a été importé sous pm. Passons aux prédictions !