Bắt đầu ngayBắt đầu miễn phí

Ước lượng lỗi kiểm thử

Giờ bạn đã có posterior_predictive (có sẵn trong không gian làm việc), bạn có thể đánh giá hiệu năng mô hình trên dữ liệu mới. Để làm điều này, bạn sẽ cần lặp qua các quan sát trong tập kiểm thử và với mỗi quan sát, tính lỗi dự đoán bằng hiệu giữa phân phối dự đoán cho quan sát đó và giá trị thực tế. Việc này sẽ cho bạn phân phối lỗi của mô hình, sau đó bạn có thể trực quan hóa.

Bạn sẽ cần pymc3 và numpy, đã được nhập sẵn lần lượt là pm và np. Dữ liệu kiểm thử, bikes_test, cũng có sẵn trong không gian làm việc. Bắt đầu thôi!

Bài tập này là một phần của khóa học

Phân tích dữ liệu Bayesian với Python

Xem khóa học

Hướng dẫn bài tập

  • Khởi tạo errors là một danh sách rỗng.
  • Với mỗi hàng trong bikes_test, tính lỗi dự đoán bằng các mẫu dự đoán cho hàng này từ posterior_predictive trừ đi giá trị thực duy nhất num_bikes từ hàng đó.
  • Định hình lại errors bằng cách chuyển chúng thành một mảng numpy và áp dụng phương thức .reshape() lên kết quả, rồi gán kết quả cuối cùng cho error_distribution.
  • Vẽ phân phối lỗi kiểm thử bằng hàm plot_posterior() của pymc3.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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()
Chỉnh sửa và Chạy Mã