BaşlayınÜcretsiz başlayın

Test hatasını tahmin etme

Artık çalışma alanında posterior_predictive hazır olduğuna göre, modeli yeni veriler üzerinde değerlendirebilirsin. Bunu yapmak için test gözlemleri üzerinde döngü kuracak ve her biri için bu gözleme ait öngörücü dağılım ile gerçek, doğru değer arasındaki farkı alarak tahmin hatasını hesaplayacaksın. Bu sayede modelinin hata dağılımını elde eder ve bunu görselleştirebilirsin.

pymc3 ve numpy kütüphanelerine ihtiyacın olacak; bunlar sırasıyla pm ve np olarak içe aktarılmış durumda. Test verisi bikes_test de çalışma alanında mevcut. Hadi başlayalım!

Bu egzersiz, kursun bir parçasıdır

Python ile Bayesçi Veri Analizi

Kursa Göz Atın

Egzersiz talimatları

  • errors listesini boş bir liste olarak başlat.
  • bikes_test içindeki her satır için, bu satıra ait posterior_predictive içinden alınan öngörücü çekilişler eksi satırdaki tek gerçek num_bikes değeri olarak tahmin hatasını hesapla.
  • errors listesini bir numpy dizisine çevirip çıktıya .reshape() metodunu uygulayarak yeniden şekillendir ve son sonucu error_distribution değişkenine ata.
  • Test hata dağılımını pymc3'ün plot_posterior() fonksiyonuyla görselleştir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Initialize errors
errors = ____

# Iterate over rows of bikes_test to compute error per row
for index, test_example in bikes_test.iterrows():
    error = ____[____][:, ____] - ____[____]
    errors.append(error)

# Reshape errors
error_distribution = ____(____).____()

# Plot the error distribution
____
plt.show()
Kodu Düzenle ve Çalıştır