meridian.analysis.visualizer.ModelDiagnostics

Membuat plot diagnostik model dari penyesuaian model Meridian.

meridian.analysis.visualizer.ModelDiagnostics(
    meridian: meridian.model.model.Meridian
)

Metode

plot_prior_and_posterior_distribution

Lihat sumber

plot_prior_and_posterior_distribution(
    parameter: str = 'roi_m',
    num_geos: int = 3,
    selected_times: (list[str] | None) = None
) -> (alt.Chart | alt.FacetChart)

Membuat plot distribusi sebelumnya dan posterior untuk parameter model.

Args
parameter	Nama parameter model yang akan dipetakan. Secara default, parameter ROI akan ditampilkan jika nama tidak ditentukan.
num_geos	Jumlah geo terbesar berdasarkan populasi yang akan ditampilkan dalam plot untuk parameter tingkat geografis. Secara default, hanya tiga wilayah geografis terbesar yang ditampilkan.
selected_times	Daftar jangka waktu tertentu untuk diplot untuk parameter tingkat waktu. Waktu ini harus cocok dengan jangka waktu dari data. Secara default, tiga jangka waktu pertama dipetakan.

Hasil
Plot Altair yang menunjukkan distribusi parameter.

Memunculkan
NotFittedModelError	Model belum dipasang.
ValueError	parameter bukan parameter model Meridian.

plot_rhat_boxplot

Lihat sumber

plot_rhat_boxplot() -> alt.Chart

Membuat plot kotak R-hat.

Ringkasan visual pengurangan skala potensial Gelman & Rubin (1992) untuk konvergensi rantai, yang biasanya disebut sebagai R-hat. Ini adalah ukuran diagnostik konvergensi yang mengukur tingkat varians (rata-rata) antara rantai yang melebihi yang Anda harapkan jika rantai didistribusikan secara identik. Nilai yang mendekati 1,0 menunjukkan konvergensi. R-hat < 1,2 menunjukkan perkiraan konvergensi dan merupakan ambang batas yang wajar untuk banyak masalah (Brooks & Gelman, 1998).

Ada satu nilai R-hat untuk setiap parameter model. Box plot menyampulkan distribusi nilai R-hat di seluruh indeks. Misalnya, kotak yang sesuai dengan beta_gm meringkas distribusi nilai R-hat di seluruh indeks geografis g dan indeks saluran m.

R-hat tidak ditentukan untuk parameter apa pun yang memiliki prior deterministik, sehingga parameter ini tidak ditampilkan pada boxplot.

Referensi
Andrew Gelman dan Donald B. Rubin. Inferensi dari Simulasi Iteratif Menggunakan Beberapa Urutan. Statistical Science, 7(4):457-472, 1992. Stephen P. Brooks dan Andrew Gelman. Metode Umum untuk Pemantauan Konvergensi Simulatio Iteratif

Hasil
Plot Altair yang menampilkan boxplot R-hat per parameter.

Raise (Mengedepankan)
NotFittedModelError	Model belum dipasang.
MCMCSamplingError	Sampling MCMC tidak diterapkan.

predictive_accuracy_table

Lihat sumber

predictive_accuracy_table(
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    column_var: (str | None) = None,
    batch_size: int = c.DEFAULT_BATCH_SIZE
) -> pd.DataFrame

Menampilkan akurasi prediktif DataFrame.

Args
selected_geos	Daftar opsional subset dimensi geografis yang akan disertakan. Secara default, semua geografis disertakan. Geografis harus cocok dengan nama dimensi geografis dari meridian.InputData. Tetapkan selected_geos atau n_top_largest_geos, jangan tetapkan keduanya.
selected_times	Daftar opsional subkumpulan dimensi waktu yang akan disertakan. Secara default, semua waktu disertakan. Waktu harus cocok dengan dimensi waktu dari meridian.InputData.
column_var	String opsional yang menunjukkan apakah akan membuat pivot tabel berdasarkan metric, geo_granularity, atau evaluation_set. Secara default, column_var=None menunjukkan bahwa kolom metric, geo_granularity, dan value (beserta evaluation_set jika holdout_id bukan None) ditampilkan dalam DataFrame yang tidak di-pivot yang ditampilkan.
batch_size	Bilangan bulat yang mewakili jumlah pengambilan maksimum per rantai dalam setiap batch. Penghitungan dijalankan dalam batch untuk menghindari kehabisan memori. Jika terjadi error memori, coba kurangi batch_size. Penghitungan umumnya akan lebih cepat dengan nilai batch_size yang lebih besar.

Hasil
DataFrame yang berisi nilai R_Squared, MAPE, dan wMAPE yang dihitung. Jika holdout_id ada, data akan dibagi menjadi subbagian Train, Test, dan All Data, dan evaluation_set akan disertakan sebagai kolom dalam transformasi dari Dataset ke DataFrame.