Échantillonner depuis la densité prédictive

Enfin ! Votre objectif 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 tirages des paramètres. Vous avez aussi choisi le meilleur des deux modèles concurrents sur la base du WAIC. Il est maintenant temps d’utiliser votre meilleur modèle pour faire des prédictions !

Quelques nouvelles observations, non vues par le modèle, ont été recueillies dans un DataFrame nommé bikes_test. Pour chacune d’elles, nous connaissons le nombre réel de vélos loués, ce qui nous permettra d’évaluer les performances 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, que vous avez générée auparavant, est disponible sous le nom trace_2, et pymc3 a été importé sous pm. Passons aux prédictions !