Poisson 사후 예측
l_weekday 변수는 80도인 평일의 이용량에 대한 추세를 반영해요:
> head(poisson_chains, 2)
a b.1. b.2. c l_weekend l_weekday
1 5.0198 0 -0.1222 0.0141 465.924 412.324
2 5.0186 0 -0.1218 0.0141 466.284 412.829
이제 그 추세를 이해했으니, 예측을 해 보겠습니다! 구체적으로, 다음 80도 평일의 산책로 이용량을 예측해 볼 거예요. 이를 위해서는 가능도 모형 \(Y\)i \(\sim Pois(l\)i)$이 설명하는, 추세로부터의 개별 변동성을 고려해야 합니다.
표본 크기 n과 비율 매개변수 lambda를 사용하는 rpois(n, lambda)를 이용해, poisson_chains에 있는 사후에서 가능한 각 추세 값 아래에서의 Poisson 이용량 예측을 시뮬레이션할 거예요.
이 연습은 강의의 일부입니다
RJAGS로 배우는 Bayesian 모델링
연습 안내
poisson_chains의 10,000개l_weekday값 각각에 대해rpois()를 사용해 80도 평일의 이용량을 예측하세요. 이 값을poisson_chains의Y_weekday로 저장하세요.ggplot()으로Y_weekday예측값의 밀도 그래프를 만드세요.- 80도 평일의 이용량이 400명 미만일 사후 확률을 근사하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>%
mutate(Y_weekday = rpois(n = ___, lambda = ___))
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) +
geom_density()
# Posterior probability that weekday volume is less 400
mean(___)