GitHub पर सोर्स देखें
|
इसमें हर मॉडल पैरामीटर के लिए, पहले से मौजूद डिस्ट्रिब्यूशन शामिल होते हैं.
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)),
beta_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n name=constants.BETA_OM)),
beta_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n name=constants.BETA_ORF)),
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)),
eta_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n name=constants.ETA_OM)),
eta_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(1.0,\n name=constants.ETA_ORF)),
gamma_c: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n 5.0, name=constants.GAMMA_C)),
gamma_n: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Normal(0.0, \n 5.0, name=constants.GAMMA_N)),
xi_c: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n name=constants.XI_C)),
xi_n: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.HalfNormal(5.0,\n name=constants.XI_N)),
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)),
alpha_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n 1.0, name=constants.ALPHA_OM)),
alpha_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Uniform(0.0, \n 1.0, name=constants.ALPHA_ORF)),
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)),
ec_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.\n TruncatedNormal(0.8, 0.8, 0.1, 10, name=constants.EC_OM)),
ec_orf: 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_ORF)),
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)),
slope_om: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.Deterministic(\n 1.0, name=constants.SLOPE_OM)),
slope_orf: tfp.distributions.Distribution = dataclasses.field(default_factory=lambda : tfp.distributions.LogNormal(0.7,\n 0.4, name=constants.SLOPE_ORF)),
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, Meridian के लिए एक यूटिलिटी क्लास है. PriorDistribution के लिए आर्ग्युमेंट के ज़रूरी आकार, मॉडलिंग के विकल्पों और Meridian को पास किए गए डेटा आकारों पर निर्भर करते हैं. उदाहरण के लिए, ec_m एक पैरामीटर है, जो हर मीडिया चैनल के लिए आधी संतृप्ति दिखाता है. ec_m आर्ग्युमेंट में, मीडिया चैनलों की संख्या के बराबर batch_shape=[] या batch_shape होना चाहिए. पहले मामले में, हर मीडिया चैनल को एक ही प्राथमिकता मिलती है.
अगर किसी मौजूदा डिस्ट्रिब्यूशन का शेप, मॉडल के स्पेसिफ़िकेशन में बताए गए शेप में ब्रॉडकास्ट नहीं किया जा सकता, तो मेरिडियन बनाने पर गड़बड़ी का मैसेज दिखता है.
पैरामीटर के बैच के शेप इस तरह के होते हैं:
| पैरामीटर | बैच का आकार |
|---|---|
knot_values |
n_knots |
tau_g_excl_baseline |
n_geos - 1 |
beta_m |
n_media_channels |
beta_rf |
n_rf_channels |
beta_om |
n_organic_media_channels |
beta_orf |
n_organic_rf_channels |
eta_m |
n_media_channels |
eta_rf |
n_rf_channels |
eta_om |
n_organic_media_channels |
eta_orf |
n_organic_rf_channels |
gamma_c |
n_controls |
gamma_n |
n_non_media_channels |
xi_c |
n_controls |
xi_n |
n_non_media_channels |
alpha_m |
n_media_channels |
alpha_rf |
n_rf_channels |
alpha_om |
n_organic_media_channels |
alpha_orf |
n_organic_rf_channels |
ec_m |
n_media_channels |
ec_rf |
n_rf_channels |
ec_om |
n_organic_media_channels |
ec_orf |
n_organic_rf_channels |
slope_m |
n_media_channels |
slope_rf |
n_rf_channels |
slope_om |
n_organic_media_channels |
slope_orf |
n_organic_rf_channels |
sigma |
(σ) |
roi_m |
n_media_channels |
roi_rf |
n_rf_channels |
(σ) n_geos अगर unique_sigma_for_each_geo है, तो 1 है
विशेषताएं | |
|---|---|
knot_values
|
समय के असर के लिए, नॉट पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन Normal(0.0, 5.0) है.
|
tau_g_excl_baseline
|
भौगोलिक असर पर पहले से मौजूद डिस्ट्रिब्यूशन, जो बेसलाइन भौगोलिक क्षेत्र के मुकाबले हर भौगोलिक क्षेत्र के औसत केपीआई को दिखाता है. इस पैरामीटर को n_geos - 1 लंबाई के वेक्टर पर ब्रॉडकास्ट किया जाता है. इसमें भौगोलिक क्रम को बनाए रखा जाता है और baseline_geo को शामिल नहीं किया जाता. सैंपलिंग के बाद, Meridian.inference_data में इस पैरामीटर का बदला हुआ वर्शन शामिल होता है, जिसे tau_g कहा जाता है. इसकी लंबाई n_geos होती है और baseline_geo की जगह पर शून्य होता है. अगर n_geos = 1 है, तो Meridian इस डिस्ट्रिब्यूशन को अनदेखा कर देता है.
डिफ़ॉल्ट डिस्ट्रिब्यूशन Normal(0.0, 5.0) है.
|
beta_m
|
इंप्रेशन मीडिया चैनलों (beta_gm) के लिए, भौगोलिक लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से तय डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी वाला औसत होता है.
जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह लॉग-ट्रांसफ़ॉर्म किए गए, Normal डिस्ट्रिब्यूशन के अंडरलाइंग के माध्य के लिए हैरारकी वाला पैरामीटर होता है. अगर paid_media_prior_type 'roi' या 'mroi' है, तो Meridian इस डिस्ट्रिब्यूशन को अनदेखा करता है. इसके बजाय, वह roi_m का इस्तेमाल करता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(5.0) है.
|
beta_rf
|
रीच और फ़्रीक्वेंसी मीडिया चैनलों (beta_grf) के लिए, भौगोलिक लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से तय डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी का माध्य होता है. जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह
सबसे नीचे मौजूद, लॉग-ट्रांसफ़ॉर्म किए गए, Normal डिस्ट्रिब्यूशन के माध्य के लिए हैरारकी वाला पैरामीटर होता है. अगर paid_media_prior_type 'roi' या 'mroi' है, तो Meridian इस डिस्ट्रिब्यूशन को अनदेखा करता है और इसके बजाय roi_m का इस्तेमाल करता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(5.0) है.
|
beta_om
|
ऑर्गैनिक मीडिया चैनलों (beta_gom) के लिए, जियो-लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से तय डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी का औसत होता है.
जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह लॉग-ट्रांसफ़ॉर्म किए गए, Normal डिस्ट्रिब्यूशन के अंडरलाइंग के माध्य के लिए हैरारकी वाला पैरामीटर होता है. अगर use_roi_prior के तौर पर True दिया गया है, तो Meridian इस डिस्ट्रिब्यूशन को अनदेखा कर देता है और इसके बजाय roi_om का इस्तेमाल करता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(5.0) है.
|
beta_orf
|
ऑर्गैनिक रीच और फ़्रीक्वेंसी मीडिया चैनलों (beta_gorf) के लिए, भौगोलिक लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से तय डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी का औसत होता है. जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह लॉग-ट्रांसफ़ॉर्म किए गए Normal डिस्ट्रिब्यूशन के अंडरलाइंग के औसत के लिए हैरारकी पैरामीटर होता है. अगर use_roi_prior True है, तो Meridian इस डिस्ट्रिब्यूशन को अनदेखा करता है और इसके बजाय roi_orf का इस्तेमाल करता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(5.0) है.
|
eta_m
|
इंप्रेशन मीडिया चैनलों (beta_gm) के लिए, भौगोलिक लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से मौजूद डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी वाला स्टैंडर्ड डिविएशन होता है. जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह Normal डिस्ट्रिब्यूशन के लॉग-ट्रांसफ़ॉर्म किए गए, मौजूदा डिस्ट्रिब्यूशन के स्टैंडर्ड डिविएशन के लिए, हैरारकी वाला पैरामीटर होता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(1.0) है.
|
eta_rf
|
आरएफ़ मीडिया चैनलों (beta_grf) के लिए, भौगोलिक लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से तय डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी वाला स्टैंडर्ड डिविएशन होता है. जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह Normal डिस्ट्रिब्यूशन के लॉग-ट्रांसफ़ॉर्म किए गए, मौजूदा वैल्यू के मानक विचलन के लिए हैरारकी वाला पैरामीटर होता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(1.0) है.
|
eta_om
|
ऑर्गैनिक मीडिया चैनलों (beta_gom) के लिए, जियो-लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से तय डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी वाला स्टैंडर्ड डिविएशन होता है. जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह Normal डिस्ट्रिब्यूशन के लॉग-ट्रांसफ़ॉर्म किए गए, मौजूदा वैल्यू के मानक विचलन के लिए हैरारकी वाला पैरामीटर होता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(1.0) है.
|
eta_orf
|
ऑर्गैनिक आरएफ़ मीडिया चैनलों (beta_gorf) के लिए, जियो-लेवल के मीडिया इफ़ेक्ट के हैरारकी वाले डिस्ट्रिब्यूशन के लिए, पैरामीटर पर पहले से तय डिस्ट्रिब्यूशन. जब media_effects_dist को 'normal' पर सेट किया जाता है, तो यह हैरारकी वाला स्टैंडर्ड डिविएशन होता है. जब media_effects_dist को 'log_normal' पर सेट किया जाता है, तो यह लॉग-ट्रांसफ़ॉर्म किए गए Normal डिस्ट्रिब्यूशन के मानक विचलन के लिए, हैरारकी वाला पैरामीटर होता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(1.0) है.
|
gamma_c
|
gamma_gc के हैरारकी वाले माध्य के लिए प्रायर डिस्ट्रिब्यूशन, जो कि g के लिए कंट्रोल c पर मौजूद गुणांक है. हैरारकी को जगहों के हिसाब से तय किया जाता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन Normal(0.0, 5.0) है.
|
gamma_n
|
gamma_gn के हैरारकी वाले माध्य पर पहले से तय डिस्ट्रिब्यूशन, जो कि जियो g के लिए नॉन-मीडिया चैनल n पर मौजूद कोएफ़िशिएंट है. हैरारकी को जगहों के हिसाब से तय किया जाता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन Normal(0.0, 5.0) है.
|
xi_c
|
gamma_gc के हैरारकी वाले स्टैंडर्ड डिविएशन पर पहले से मौजूद डिस्ट्रिब्यूशन, जो कि भौगोलिक g के लिए कंट्रोल c पर मौजूद गुणांक है. हैरारकी को जियो के हिसाब से तय किया जाता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(5.0) है.
|
xi_n
|
gamma_gn के हैरारकी वाले स्टैंडर्ड डीविएशन पर पहले से तय डिस्ट्रिब्यूशन, जो कि भौगोलिक g के लिए नॉन-मीडिया चैनल n पर मौजूद गुणांक है.
हैरारकी को भौगोलिक क्षेत्रों के हिसाब से तय किया जाता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(5.0) है.
|
alpha_m
|
मीडिया इनपुट के लिए, geometric decay Adstock पैरामीटर पर पहले से मौजूद डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन Uniform(0.0, 1.0) है.
|
alpha_rf
|
आरएफ़ इनपुट के लिए, geometric decay Adstock पैरामीटर पर पहले से मौजूद डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन Uniform(0.0, 1.0) है.
|
alpha_om
|
ऑर्गैनिक मीडिया इनपुट के लिए, geometric decay विज्ञापन स्टॉक पैरामीटर पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन Uniform(0.0, 1.0) है.
|
alpha_orf
|
ऑर्गैनिक आरएफ़ इनपुट के लिए, geometric decay Adstock पैरामीटर पर पहले से मौजूद डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन Uniform(0.0, 1.0) है.
|
ec_m
|
मीडिया इनपुट के लिए half-saturation हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन TruncatedNormal(0.8, 0.8, 0.1, 10) है.
|
ec_rf
|
आरएफ़ इनपुट के लिए half-saturation हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन TransformedDistribution(LogNormal(0.7,
0.4), Shift(0.1)) है.
|
ec_om
|
ऑर्गैनिक मीडिया इनपुट के लिए, half-saturation हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन TruncatedNormal(0.8, 0.8,
0.1, 10) है.
|
ec_orf
|
ऑर्गैनिक आरएफ़ इनपुट के लिए, half-saturation हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन TransformedDistribution(
LogNormal(0.7, 0.4), Shift(0.1)) है.
|
slope_m
|
मीडिया इनपुट के लिए slope हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन.
डिफ़ॉल्ट डिस्ट्रिब्यूशन Deterministic(1.0) है.
|
slope_rf
|
आरएफ़ इनपुट के लिए, slope हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन.
डिफ़ॉल्ट डिस्ट्रिब्यूशन LogNormal(0.7, 0.4) है.
|
slope_om
|
ऑर्गैनिक मीडिया इनपुट के लिए, slope हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन Deterministic(1.0) है.
|
slope_orf
|
ऑर्गैनिक आरएफ़ इनपुट के लिए, slope हिल पैरामीटर पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन LogNormal(0.7, 0.4) है.
|
sigma
|
ग़ैर-ज़रूरी डेटा के स्टैंडर्ड डीविएशन पर प्रायर डिस्ट्रिब्यूशन. डिफ़ॉल्ट डिस्ट्रिब्यूशन HalfNormal(5.0) है.
|
roi_m
|
हर मीडिया चैनल के आरओआई या mROI (paid_media_prior_type की वैल्यू के आधार पर) पर पहले से तय डिस्ट्रिब्यूशन. अगर paid_media_prior_type 'coefficient' है, तो Meridian इस डिस्ट्रिब्यूशन को अनदेखा करता है और इसके बजाय beta_m का इस्तेमाल करता है. जब paid_media_prior_type 'roi' या 'mroi' होता है, तो beta_m का हिसाब roi_m, alpha_m, ec_m, slope_m, और हर मीडिया चैनल से जुड़े खर्च के डेटरमिनिस्टिक फ़ंक्शन के तौर पर लगाया जाता है.
paid_media_prior_type
== "roi" होने पर डिफ़ॉल्ट डिस्ट्रिब्यूशन LogNormal(0.2, 0.9) और paid_media_prior_type ==
"mroi" होने पर LogNormal(0.0, 0.5) होता है. जब kpi_type 'non_revenue' होता है और revenue_per_kpi नहीं दिया जाता है, तो आरओआई को खर्च की गई हर मौद्रिक इकाई के हिसाब से, बढ़ी हुई केपीआई यूनिट के तौर पर समझा जाता है. इस मामले में: 1) अगर paid_media_prior_type='roi' है, तो roi_m और roi_rf के लिए डिफ़ॉल्ट वैल्यू को अनदेखा कर दिया जाएगा. साथ ही, कुल मीडिया योगदान पर टारगेट का औसत और स्टैंडर्ड डेविएशन हासिल करने के लिए, सभी चैनलों को एक जैसा आरओआई असाइन किया जाएगा. 2) paid_media_prior_type='mroi' का इस्तेमाल नहीं किया जा सकता.
|
roi_rf
|
हर रीच और फ़्रीक्वेंसी चैनल के आरओआई या mROI (paid_media_prior_type की वैल्यू के आधार पर) पर पहले से तय डिस्ट्रिब्यूशन. अगर paid_media_prior_type 'coefficient' है, तो Meridian इस डिस्ट्रिब्यूशन को अनदेखा करता है और इसके बजाय beta_rf का इस्तेमाल करता है. जब paid_media_prior_type 'roi' या
'mroi' होता है, तो beta_rf का हिसाब roi_rf, alpha_rf, ec_rf, slope_rf, और हर मीडिया चैनल से जुड़े खर्च के फ़ंक्शन के तौर पर लगाया जाता है. डिफ़ॉल्ट डिस्ट्रिब्यूशन, LogNormal(0.2, 0.9) जब
paid_media_prior_type == "roi" और LogNormal(0.0, 0.5) जब
paid_media_prior_type == "mroi" होता है. जब kpi_type 'non_revenue' है और
revenue_per_kpi नहीं दिया गया है, तो आरओआई को खर्च की गई हर मुद्रा इकाई के लिए, बढ़ी हुई केपीआई यूनिट के तौर पर समझा जाता है. इस मामले में: 1) अगर paid_media_prior_type='roi' है, तो roi_m और roi_rf के लिए डिफ़ॉल्ट वैल्यू को अनदेखा कर दिया जाएगा. साथ ही, सभी चैनलों को एक सामान्य आरओआई असाइन किया जाएगा, ताकि कुल मीडिया योगदान पर टारगेट का औसत और स्टैंडर्ड डेविएशन हासिल किया जा सके. 2) paid_media_prior_type='mroi' का इस्तेमाल नहीं किया जा सकता.
|
तरीके
broadcast
broadcast(
n_geos: int,
n_media_channels: int,
n_rf_channels: int,
n_organic_media_channels: int,
n_organic_rf_channels: int,
n_controls: int,
n_non_media_channels: int,
sigma_shape: int,
n_knots: int,
is_national: bool,
paid_media_prior_type: str,
set_roi_prior: bool,
kpi: float,
total_spend: np.ndarray
) -> PriorDistribution
ब्रॉडकास्ट डिस्ट्रिब्यूशन एट्रिब्यूट के साथ एक नया PriorDistribution दिखाता है.
| Args | |
|---|---|
n_geos
|
जियो की संख्या. |
n_media_channels
|
इस्तेमाल किए गए मीडिया चैनलों की संख्या. |
n_rf_channels
|
इस्तेमाल किए गए रीच और फ़्रीक्वेंसी चैनलों की संख्या. |
n_organic_media_channels
|
इस्तेमाल किए गए ऑर्गैनिक मीडिया चैनलों की संख्या. |
n_organic_rf_channels
|
इस्तेमाल किए गए ऑर्गैनिक रीच और फ़्रीक्वेंसी चैनलों की संख्या. |
n_controls
|
इस्तेमाल किए गए कंट्रोल की संख्या. |
n_non_media_channels
|
इस्तेमाल किए गए ऐसे चैनलों की संख्या जो मीडिया चैनल नहीं हैं. |
sigma_shape
|
सिग्मा पैरामीटर के आकार की जानकारी देने वाली संख्या. यह 1 (sigma_for_each_geo=False होने पर) या n_geos (sigma_for_each_geo=True होने पर) होता है. ज़्यादा जानकारी के लिए, ModelSpec देखें.
|
n_knots
|
इस्तेमाल की गई गांठों की संख्या. |
is_national
|
बूलियन इंडिकेटर, जो बताता है कि क्या पहले से मौजूद डिस्ट्रिब्यूशन को किसी देश के हिसाब से बनाए गए मॉडल के लिए अडैप्ट किया जाएगा. |
paid_media_prior_type
|
मीडिया के गुणांक के लिए, पहले के टाइप की जानकारी देने वाली स्ट्रिंग. |
set_roi_prior
|
बूलियन इंडिकेटर, इससे पता चलता है कि आरओआई पहले सेट किया जाना चाहिए या नहीं. |
kpi
|
सभी जगहों और समय के लिए, पूरे केपीआई का योग. अगर set_roi_prior=True है, तो यह ज़रूरी है.
|
total_spend
|
हर मीडिया चैनल पर खर्च, जो अलग-अलग जगहों और समय के हिसाब से कुल किया गया है. ज़रूरी है
अगर set_roi_prior=True.
|
| रिटर्न | |
|---|---|
दिए गए डेटा डाइमेंशन के हिसाब से, इस पुराने डिस्ट्रिब्यूशन से एक नया PriorDistribution ब्रॉडकास्ट.
|
| बढ़ाता है | |
|---|---|
ValueError
|
अगर सभी चैनलों के लिए पसंद के मुताबिक प्राथमिकताएं सेट नहीं की गई हैं. |
has_deterministic_param
has_deterministic_param(
param: tfp.distributions.Distribution
) -> bool
__eq__
__eq__(
other
)
self==value दिखाता है.