meridian.model.prior_distribution.PriorDistribution

شامل توزیع های قبلی برای هر پارامتر مدل است.

meridian.model.prior_distribution.PriorDistribution(
    *,
    knot_values: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n    5.0, name=constants.KNOT_VALUES)),
    tau_g_excl_baseline: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n    5.0, name=constants.TAU_G_EXCL_BASELINE)),
    beta_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.BETA_M)),
    beta_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.BETA_RF)),
    eta_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n    name=constants.ETA_M)),
    eta_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n    name=constants.ETA_RF)),
    gamma_c: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n    5.0, name=constants.GAMMA_C)),
    xi_c: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.XI_C)),
    alpha_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n    1.0, name=constants.ALPHA_M)),
    alpha_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n    1.0, name=constants.ALPHA_RF)),
    ec_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.\n    TruncatedNormal(0.8, 0.8, 0.1, 10, name=constants.EC_M)),
    ec_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.\n    TransformedDistribution(tfp.distributions.LogNormal(0.7, 0.4), tfp.\n    bijectors.Shift(0.1), name=constants.EC_RF)),
    slope_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Deterministic(\n    1.0, name=constants.SLOPE_M)),
    slope_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.7,\n    0.4, name=constants.SLOPE_RF)),
    sigma: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n    name=constants.SIGMA)),
    roi_m: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.2,\n    0.9, name=constants.ROI_M)),
    roi_rf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.2,\n    0.9, name=constants.ROI_RF))
)

PriorDistribution یک کلاس کاربردی برای Meridian است. شکل‌های مورد نیاز آرگومان‌های PriorDistribution به گزینه‌های مدل‌سازی و شکل‌های داده ارسال شده به Meridian بستگی دارد. به عنوان مثال، ec_m پارامتری است که نیمه اشباع را برای هر کانال رسانه ای نشان می دهد. آرگومان ec_m باید دارای batch_shape=[] یا batch_shape برابر با تعداد کانال های رسانه باشد. در مورد اولی، هر کانال رسانه‌ای دارای یک پیشین است.

اگر هر توزیع قبلی شکلی داشته باشد که نمی تواند به شکل مشخص شده توسط مشخصات مدل پخش شود، در ساخت مریدین خطا ایجاد می شود.

شکل دسته پارامترها به شرح زیر است:

پارامتر	شکل دسته ای
`knot_values`	`n_knots`
`tau_g_excl_baseline`	`n_geos - 1`
`beta_m`	`n_media_channels`
`beta_rf`	`n_rf_channels`
`eta_m`	`n_media_channels`
`eta_rf`	`n_rf_channels`
`gamma_c`	`n_controls`
`xi_c`	`n_controls`
`alpha_m`	`n_media_channels`
`alpha_rf`	`n_rf_channels`
`ec_m`	`n_media_channels`
`ec_rf`	`n_rf_channels`
`slope_m`	`n_media_channels`
`slope_rf`	`n_rf_channels`
`sigma`	(σ)
`roi_m`	`n_media_channels`
`roi_rf`	`n_rf_channels`

(σ) n_geos اگر unique_sigma_for_each_geo , در غیر این صورت این 1 است

صفات
`knot_values`	توزیع قبلی روی گره ها برای اثرات زمان. توزیع پیش فرض `Normal(0.0, 5.0)` .
`tau_g_excl_baseline`	توزیع قبلی بر روی اثرات جغرافیایی، که نشان دهنده میانگین KPI هر جغرافیایی نسبت به جغرافیای پایه است. این پارامتر به بردار با طول `n_geos - 1` پخش می شود و ترتیب جغرافیایی را حفظ می کند و `baseline_geo` حذف می کند. پس از نمونه برداری، `Meridian.inference_data` شامل یک نسخه اصلاح شده از این پارامتر به نام `tau_g` است که دارای طول `n_geos` است و دارای یک صفر در موقعیت مربوط به `baseline_geo` است. اگر `n_geos = 1` مریدین این توزیع را نادیده می گیرد. توزیع پیش فرض `Normal(0.0, 5.0)` .
`beta_m`	توزیع قبلی روی پارامتری برای توزیع سلسله مراتبی جلوه‌های رسانه در سطح جغرافیایی برای کانال‌های رسانه نمایش ( `beta_gm` ). وقتی `media_effects_dist` روی `'normal'` تنظیم می شود، میانگین سلسله مراتبی است. وقتی `media_effects_dist` روی `'log_normal'` تنظیم می‌شود، این پارامتر سلسله مراتبی برای میانگین توزیع `Normal` و زیربنایی است. اگر `use_roi_prior` `True` باشد Meridian این توزیع را نادیده می گیرد و به جای آن از `roi_m` prior استفاده می کند. توزیع پیش‌فرض `HalfNormal(5.0)` است.
`beta_rf`	توزیع قبلی بر روی پارامتری برای توزیع سلسله مراتبی اثرات رسانه‌ای در سطح جغرافیایی برای کانال‌های رسانه دسترسی و فرکانس ( `beta_grf` ). وقتی `media_effects_dist` روی `'normal'` تنظیم می شود، میانگین سلسله مراتبی است. وقتی `media_effects_dist` روی `'log_normal'` تنظیم می‌شود، این پارامتر سلسله مراتبی برای میانگین توزیع `Normal` و زیربنایی است. اگر `use_roi_prior` `True` باشد Meridian این توزیع را نادیده می گیرد و به جای آن از `roi_m` prior استفاده می کند. توزیع پیش‌فرض `HalfNormal(5.0)` است.
`eta_m`	توزیع قبلی روی پارامتری برای توزیع سلسله مراتبی جلوه‌های رسانه در سطح جغرافیایی برای کانال‌های رسانه نمایش ( `beta_gm` ). وقتی `media_effects_dist` روی `'normal'` تنظیم می شود، انحراف استاندارد سلسله مراتبی است. وقتی `media_effects_dist` روی `'log_normal'` تنظیم می‌شود، این پارامتر سلسله مراتبی برای انحراف استاندارد توزیع `Normal` زیربنایی، تبدیل شده به log است. توزیع پیش‌فرض `HalfNormal(1.0)` است.
`eta_rf`	توزیع قبلی بر روی یک پارامتر برای توزیع سلسله مراتبی اثرات رسانه در سطح جغرافیایی برای کانال های رسانه RF ( `beta_grf` ). وقتی `media_effects_dist` روی `'normal'` تنظیم می شود، انحراف استاندارد سلسله مراتبی است. وقتی `media_effects_dist` روی `'log_normal'` تنظیم می‌شود، این پارامتر سلسله مراتبی برای انحراف استاندارد توزیع `Normal` زیربنایی، تبدیل شده به log است. توزیع پیش‌فرض `HalfNormal(1.0)` است.
`gamma_c`	توزیع قبلی بر روی میانگین سلسله مراتبی `gamma_gc` که ضریب کنترل `c` برای geo `g` است. سلسله مراتب بر روی geos تعریف می شود. توزیع پیش فرض `Normal(0.0, 5.0)` .
`xi_c`	توزیع قبلی بر روی انحراف استاندارد سلسله مراتبی `gamma_gc` که ضریب کنترل `c` برای geo `g` است. سلسله مراتب بر روی geos تعریف می شود. توزیع پیش‌فرض `HalfNormal(5.0)` است.
`alpha_m`	توزیع قبلی بر روی پارامتر `geometric decay` Adstock برای ورودی رسانه. توزیع پیش فرض `Uniform(0.0, 1.0)` است.
`alpha_rf`	توزیع قبلی بر روی پارامتر `geometric decay` Adstock برای ورودی RF. توزیع پیش فرض `Uniform(0.0, 1.0)` است.
`ec_m`	توزیع قبلی بر روی پارامتر Hill `half-saturation` برای ورودی رسانه. توزیع پیش‌فرض `TruncatedNormal(0.8, 0.8, 0.1, 10)` است.
`ec_rf`	توزیع قبلی روی پارامتر Hill `half-saturation` برای ورودی RF. توزیع پیش‌فرض `TransformedDistribution(LogNormal(0.7, 0.4), Shift(0.1))` است.
`slope_m`	توزیع قبلی روی پارامتر `slope` Hill برای ورودی رسانه. توزیع پیش فرض `Deterministic(1.0)` است.
`slope_rf`	توزیع قبلی روی پارامتر `slope` Hill برای ورودی RF. توزیع پیش‌فرض `LogNormal(0.7, 0.4)` است.
`sigma`	توزیع قبلی بر روی انحراف استاندارد نویز. توزیع پیش‌فرض `HalfNormal(5.0)` است.
`roi_m`	توزیع قبلی در ROI سلسله مراتبی در ورودی رسانه. اگر `use_roi_prior` `False` باشد، Meridian این توزیع را نادیده می گیرد و به جای آن از `beta_m` استفاده می کند. وقتی `use_roi_prior` `True` باشد، `beta_m` به عنوان یک تابع قطعی از `roi_m` ، `alpha_m` ، `ec_m` ، `slope_m` ، و هزینه‌های مربوط به هر کانال رسانه محاسبه می‌شود (مثلاً، مدل به جای `beta_m` با `roi_m` مجددا پارامترسازی می‌شود). توزیع پیش فرض `LogNormal(0.2, 0.9)` است.
`roi_rf`	توزیع قبلی در ROI سلسله مراتبی در ورودی RF. اگر `use_roi_prior` `False` باشد، Meridian این توزیع را نادیده می گیرد و به جای آن از `beta_rf` استفاده می کند. هنگامی که `use_roi_prior` `True` است، `beta_rf` به عنوان یک تابع قطعی از `roi_rf` ، `alpha_rf` ، `ec_rf` ، `slope_rf` ، و هزینه‌های مربوط به هر کانال رسانه محاسبه می‌شود (مثلاً، مدل با `roi_rf` به جای `beta_rf` مجددا پارامترسازی می‌شود). توزیع پیش فرض `LogNormal(0.2, 0.9)` است.

روش ها

`broadcast`

مشاهده منبع

broadcast(
    n_geos: int,
    n_media_channels: int,
    n_rf_channels: int,
    n_controls: int,
    sigma_shape: int,
    n_knots: int,
    is_national: bool
) -> PriorDistribution

یک PriorDistribution جدید با ویژگی های توزیع پخش برمی گرداند.

ارگ
`n_geos`	تعداد ژئو
`n_media_channels`	تعداد کانال های رسانه ای استفاده شده
`n_rf_channels`	تعداد کانال های دسترسی و فرکانس استفاده شده
`n_controls`	تعداد کنترل های استفاده شده
`sigma_shape`	عددی که شکل پارامتر سیگما را توصیف می کند. این یا `1` است (اگر `sigma_for_each_geo=False` ) یا `n_geos` (اگر `sigma_for_each_geo=True` ). برای اطلاعات بیشتر، `ModelSpec` ببینید.
`n_knots`	تعداد گره های استفاده شده
`is_national`	یک شاخص بولی که آیا توزیع قبلی برای یک مدل ملی تطبیق داده می شود یا خیر.

برمی گرداند
یک `PriorDistribution` جدید با توجه به ابعاد داده شده از این توزیع قبلی پخش شد.

افزایش می دهد
`ValueError`	اگر اولویت های سفارشی برای همه کانال ها تنظیم نشده باشد.

`has_deterministic_param`

مشاهده منبع

has_deterministic_param(
    param: tfp.distributions.Distribution
) -> bool

`eq`

__eq__(
    other
)

بازگشت به خود == ارزش.

meridian.model.prior_distribution.PriorDistribution با مجموعه‌ها، منظم بمانید ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.

صفات

روش ها

broadcast

has_deterministic_param

__eq__

meridian.model.prior_distribution.PriorDistribution

`broadcast`

`has_deterministic_param`

`eq`