Kom igångKom igång gratis

Poisson-posteriori-prediktion

Variabeln l_weekday återspeglar trenden för besöksvolymen på vardagar med 30 graders värme:

> 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

Nu när du förstår trenden är det dags att göra prediktioner! Låt oss specifikt predicera besöksvolymen nästa vardag med 30 graders värme. För att göra det måste du ta hänsyn till den individuella variationen kring trenden, som modelleras av sannolikheten \(Y\)i \(\sim Pois(l\)i).

Med hjälp av rpois(n, lambda) för urvalsstorleken n och hastighetsparametern lambda simulerar du Poisson-prediktioner av volymen för varje värde på den posteriort plausibla trenden i poisson_chains.

Den här övningen är en del av kursen

Bayesiansk modellering med RJAGS

Visa kurs

Övningsinstruktioner

  • Använd rpois() för var och en av de 10 000 l_weekday-värdena i poisson_chains för att predicera besöksvolymen en vardag med 30 graders värme. Lagra dessa som Y_weekday i poisson_chains.
  • Använd ggplot() för att skapa ett densitetsdiagram över dina Y_weekday-prediktioner.
  • Approximera den posteriora sannolikheten att besöksvolymen en vardag med 30 graders värme understiger 400 användare.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(___)
Redigera och kör kod