meridian.analysis.visualizer.ModelDiagnostics

Generuje wykresy diagnostyczne modelu na podstawie dopasowania modelu południowego.

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

Metody

plot_prior_and_posterior_distribution

Wyświetl źródło

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

Wyświetla rozkłady wstępne i poprzednie dla parametru modelu.

Argumenty
parameter	Nazwa parametru modelu do wykreślenia. Domyślnie parametr ROI jest widoczny, jeśli nie podasz nazwy.
num_geos	Liczba największych danych geograficznych o populacji, które mają się pojawiać na wykresach dla parametrów na poziomie danych geograficznych. Domyślnie wyświetlane są tylko 3 największe obszary geograficzne.
selected_times	Lista konkretnych okresów, które należy uwzględnić na potrzeby parametrów czasu. Te czasy muszą być zgodne z okresami czasu z danych. Domyślnie nanoszone są pierwsze 3 okresy.

Zwroty
Wykres Altair przedstawiający rozkład parametrów.

Promowanie
NotFittedModelError	Model nie został dopasowany.
ValueError	parameter nie jest parametrem modelu Meridian.

plot_rhat_boxplot

Wyświetl źródło

plot_rhat_boxplot() -> alt.Chart

Rysuje fabułę R-hat.

Wizualne podsumowanie potencjalnej redukcji skali na potrzeby zbieżności łańcuchowej przez Gelmana i Rubina (1992), powszechnie nazywanej kapeluszem R-hat. Jest to diagnostyczny wskaźnik zbieżności, który mierzy stopień, w jaki wariancja (średnich) między łańcuchami przekracza wartości oczekiwane, gdyby łańcuchy były rozłożone identycznie. Wartości bliskie 1,0 oznaczają zbieżność. Wartość R-hat < 1,2 wskazuje przybliżoną zbieżność i stanowi rozsądny próg w przypadku wielu problemów (Brooks i Gelman, 1998 r.).

Każdy parametr modelu ma jedną wartość R-hat. Wykres ramkowy podsumowuje rozkład wartości R-hat wśród indeksów. Na przykład pole odpowiadające beta_gm podsumowuje rozkład wartości R-hat w indeksie geograficznym g i indeksie kanału m.

Parametr ten nie jest zdefiniowany dla żadnych parametrów, które mają deterministyczne priorytety, więc te parametry nie są pokazywane na wykresie.

Pliki referencyjne
Andrew Gelman i Donald B. Rubin. Wywnioskowanie z symulacji iteracyjnej przy użyciu wielu sekwencji. Statistsal Science, 7(4):457-472, 1992. Stephen P. Brooksa i Andrew Gelmana. Ogólne metody monitorowania zbieżności iteracyjnej symulacji

Zwroty
Wykres Altair z wykresem ramkowym dla każdego parametru.

Promowanie
NotFittedModelError	Model nie został dopasowany.
MCMCSamplingError	Próbkowanie MCMC nie było zgodne.

predictive_accuracy_table

Wyświetl źródło

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

Wyświetla dokładność przewidywania w ramach DataFrame.

Argumenty
selected_geos	Opcjonalna lista podzbioru wymiarów geograficznych do uwzględnienia. Domyślnie uwzględniane są wszystkie regiony geograficzne. Dane geograficzne powinny być zgodne z nazwami wymiarów geograficznych z meridian.InputData. Ustaw wartość selected_geos lub n_top_largest_geos, ale nie ustawiaj obu.
selected_times	Opcjonalna lista podzbioru wymiarów czasowych, które można uwzględnić. Domyślnie uwzględniane są wszystkie godziny. Czas musi być zgodny z wymiarami czasowymi z meridian.InputData.
column_var	Opcjonalny ciąg znaków wskazujący, czy tabela ma być przestawna według właściwości metric, geo_granularity czy evaluation_set. Domyślnie column_var=None wskazuje, że kolumny metric, geo_granularity i value (oraz evaluation_set, gdy holdout_id nie jest None) są wyświetlane w zwracanym nieskierowanym DataFrame.
batch_size	Liczba całkowita określająca maksymalną liczbę pobrań na łańcuch w każdej partii. Obliczenia są wykonywane partiami, aby uniknąć wyczerpania pamięci. Jeśli wystąpi błąd pamięci, spróbuj zmniejszyć wartość batch_size. Obliczenie zwykle przebiega szybciej przy większych wartościach batch_size.

Zwroty
DataFrame zawierający obliczone wartości R_Squared, MAPE i wMAPE. Jeśli istnieje zmienna holdout_id, dane są dzielone na podzbiory Train, Test i All Data, a zmienna evaluation_set jest uwzględniana jako kolumna w przekształceniu z Dataset na DataFrame.