Biblioteca de Python para devolver el MLE de los modelos Beta Geométrico y Beta Discreto de Weibull

Question

Existe un paquete R llamado predecir que es útil para proyectar la retención de clientes basándose en los modelos Beta Geométrico y Beta Discreto de Weibull.

Estoy teniendo problemas para encontrar algo similar para python, al menos uno tan racionalizado. ¿Alguien sabe de algo que se le ocurra

Answer 1

Las funciones del paquete foretell son llamadas bastante sencillas al paquete R optim con una gestión de datos intermedia. Así que en R si se ejecuta library(foretell);BdW puede ver la definición de la función.

En python, sólo habría que reescribir la llamada a R optim usando scipy minimizar . Aquí hay un breve ejemplo de minimización del mismo ejemplo en los docs de foretell para el BdW modelo:

from scipy.optimize import minimize
from scipy.special import beta
import numpy as np

surv = np.array([100,86.9,74.3,65.3,59.3])
h = 6
t = len(surv)
die = np.diff(-surv)
i = np.arange(0,t) 

def dbw_ll(x):
    a,b,c = x
    s = beta(a,b + i**c)/beta(a,b)
    p = np.diff(-s)
    ll_ = die * np.log(p)
    ll = ll_.sum() + surv[-1]*np.log(s[-1])
    return -ll

bnds = [(0.001,10000)]*3

res = minimize(dbw_ll, x0=[1,1,1], 
               method='L-BFGS-B',
               bounds=bnds)

print(res.x)
# R results 0.2593549 1.7226948 1.5842688 
# agrees for 3 decimals

# projecting out
a, b, c = res.x
k = np.arange(0,t+h)
dbw = (beta(a,b+k**c)/beta(a,b))*100
fitted = dbw[0:t]
projected = dbw[t:]

Es casi el mismo ejercicio para las otras funciones (mapeo de funciones R a python). Sólo tienes que hacer un día de trabajo para envolver estos en buenas funciones en python para replicar la misma funcionalidad en la biblioteca de R foretell. (¡Hice este ejemplo mientras esperaba que terminaran unas consultas!)