WAIC로 모델 비교하기

첫 번째 기본 모델을 잘 만들었으니, 이제 사용 가능한 데이터를 다시 살펴보세요. wind_speed라는 변수가 눈에 띄네요. 자전거 대여 수를 설명하는 훌륭한 예측 변수가 될 수 있겠죠! 맞바람을 맞으며 타는 건 즐겁지 않잖아요?

이 추가 예측 변수를 포함해 다른 모델을 적합해 봅니다:

formula = "num_bikes ~ temp + work_day + wind_speed"

with pm.Model() as model_2:
    pm.GLM.from_formula(formula, data=bikes)
    trace_2 = pm.sample(draws=1000, tune=500)

새로운 model_2는 바람 속도를 포함하지 않은 model_1보다 더 좋을까요? Widely Applicable Information Criterion, 즉 WAIC를 사용해 두 모델을 비교해 보세요!

trace_1과 trace_2는 워크스페이스에 준비되어 있고, pycm3는 pm으로 임포트되어 있어요.

두 개의 키 trace_1, trace_2를 갖고 해당 트레이스 객체를 값으로 담는 딕셔너리 traces_dict를 생성하세요.