Próbkowanie rozkładu a posteriori

Masz dość pracy dla centralnych władz i agencji marketingowej, więc przyjmujesz nową posadę analityka danych w lokalnym urzędzie miasta. Miasto zarządza systemem roweru miejskiego i prosi cię o przewidywanie liczby wypożyczonych rowerów każdego dnia – po to, by odpowiednio planować pracę personelu i harmonogram napraw.

Otrzymujesz dane dotyczące liczby wypożyczonych pojazdów dziennie, temperatury, wilgotności, prędkości wiatru oraz tego, czy dany dzień był dniem roboczym:

     work_day      temp  humidity  wind_speed  num_bikes
0           0  0.344167  0.805833    0.160446      0.985
1           0  0.363478  0.696087    0.248539      0.801
..        ...       ...       ...         ...        ...
698         1  0.280870  0.555652    0.115522      5.323
699         1  0.298333  0.649583    0.058471      5.668

Spróbuj zbudować model regresji przewidujący num_bikes przy użyciu ramki danych bikes i biblioteki pymc3 (zaimportowanej jako pm).

UWAGA: Pierwsze wywołanie pm.sample() w nowej sesji Pythona może trochę potrwać, ponieważ kod Pythona jest wówczas kompilowany do C. Aby zaoszczędzić czas, wystarczy, że poprawnie napiszesz kod – nie musisz go uruchamiać.