Poisson sonrası tahmin

l_weekday değişkenin, 80 derece hafta içlerinde hacimdeki eğilimi yansıtıyor:

> 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

Artık eğilimi anladığına göre, biraz tahmin yapalım! Özellikle, bir sonraki 80 derece hafta içi gününde patika hacmini tahmin edelim. Bunu yapmak için, olasılık modeli \(Y\)_i \(\sim Pois(l\)_i) ile modellenen, eğilimden kaynaklanan bireysel değişkenliği hesaba katman gerekir.

Örneklem büyüklüğü n ve hız parametresi lambda için rpois(n, lambda) kullanarak, poisson_chains içindeki art alana ait olası eğilimin her bir değeri altında Poisson hacim tahminlerini simüle edeceksin.

Bu egzersiz, kursun bir parçasıdır

RJAGS ile Bayesçi Modelleme

Kursa Göz Atın

Egzersiz talimatları

poisson_chains içindeki 10.000 l_weekday değerinin her birinden, 80 derece bir hafta içi günü için hacmi tahmin etmek üzere rpois() kullan. Bunları poisson_chains içinde Y_weekday olarak sakla.
ggplot() ile Y_weekday tahminlerinin yoğunluk grafiğini oluştur.
80 derece bir hafta içi gününde hacmin 400 kullanıcının altında olma olasılığının art alan yaklaşık değerini hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(___)

Kodu Düzenle ve Çalıştır