meridian.model.prior_distribution.PriorDistribution

มีข้อมูลการแจกแจงก่อนสำหรับพารามิเตอร์แต่ละรายการของโมเดล

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 เป็นคลาสยูทิลิตีสําหรับ Meridian รูปร่างที่จำเป็นของอาร์กิวเมนต์สำหรับ PriorDistribution จะขึ้นอยู่กับตัวเลือกการประมาณและรูปร่างของข้อมูลที่ส่งไปยัง Meridian เช่น ec_m คือพารามิเตอร์ที่แสดงค่าครึ่งความอิ่มตัวของสื่อแต่ละช่องทาง อาร์กิวเมนต์ ec_m ต้องมี batch_shape=[] หรือ batch_shape เท่ากับจํานวนแชแนลสื่อ ในกรณีแรก สื่อแต่ละช่องทางจะได้รับลำดับความสำคัญเดียวกัน

ระบบจะแสดงข้อผิดพลาดเมื่อสร้างเส้นเมริเดียนหากการแจกแจงก่อนหน้ามีรูปร่างที่ไม่สามารถออกอากาศไปยังรูปร่างที่ข้อกำหนดของโมเดลกำหนด

รูปแบบกลุ่มพารามิเตอร์มีดังนี้

พารามิเตอร์ รูปร่างของกลุ่ม
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 if unique_sigma_for_each_geo, otherwise this is 1

knot_values การแจกแจงเบื้องต้นเกี่ยวกับโหนดสําหรับผลของเวลา การแจกแจงเริ่มต้นคือ Normal(0.0, 5.0)
tau_g_excl_baseline การแจกแจงก่อนหน้านี้เกี่ยวกับผลลัพธ์ทางภูมิศาสตร์ ซึ่งแสดง KPI เฉลี่ยของภูมิศาสตร์แต่ละแห่งเทียบกับภูมิศาสตร์ฐาน พารามิเตอร์นี้จะออกอากาศไปยังเวกเตอร์ที่มีความยาว n_geos - 1 โดยคงลําดับทางภูมิศาสตร์ไว้และยกเว้น baseline_geo หลังจากการสุ่มตัวอย่าง Meridian.inference_data จะมีพารามิเตอร์นี้เวอร์ชันที่แก้ไขแล้วชื่อ tau_g ซึ่งมีความยาว n_geos และมี 0 ในตำแหน่งที่สอดคล้องกับ baseline_geo Meridian จะไม่สนใจการแจกแจงนี้หาก n_geos = 1 การแจกแจงเริ่มต้นคือ Normal(0.0, 5.0)
beta_m การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลลัพธ์ของสื่อระดับภูมิศาสตร์สําหรับช่องทางสื่อของการแสดงผล (beta_gm) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่ามัธยฐานตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่าเฉลี่ยของNormal distribution ที่แปลงเป็นลอการิทึม Meridian จะละเว้นการแจกแจงนี้หาก paid_media_prior_type เป็น 'roi' หรือ 'mroi' และใช้ roi_m ก่อนหน้าแทน การแจกแจงเริ่มต้นคือ HalfNormal(5.0)
beta_rf การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลลัพธ์สื่อระดับภูมิศาสตร์สําหรับช่องทางสื่อการเข้าถึงและความถี่ (beta_grf) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่าเฉลี่ยตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่ามัธยฐานของNormal พื้นฐานซึ่งแปลงเป็นลําดับเชิงลําดับ Meridian จะละเว้นการแจกแจงนี้หาก paid_media_prior_type เป็น 'roi' หรือ 'mroi' และใช้ roi_m ก่อนหน้าแทน การแจกแจงเริ่มต้นคือ HalfNormal(5.0)
beta_om การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลลัพธ์ของสื่อระดับพื้นที่สําหรับช่องทางสื่อทั่วไป (beta_gom) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่ามัธยฐานตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่าเฉลี่ยของNormal distribution ที่แปลงเป็นลอการิทึม Meridian จะไม่สนใจการแจกแจงนี้หาก use_roi_prior มีค่าเป็น True และใช้ roi_om ก่อนหน้าแทน การแจกจ่ายเริ่มต้นคือ HalfNormal(5.0)
beta_orf การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลลัพธ์สื่อระดับภูมิศาสตร์สําหรับการเข้าถึงและความถี่ในการเข้าถึงแบบทั่วไปของแชแนลสื่อ (beta_gorf) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่ามัธยฐานตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่ามัธยฐานของการแจกแจง Normal พื้นฐานที่แปลงเป็นลอการิทึม Meridian จะละเว้นการแจกแจงนี้หาก use_roi_prior เป็น True และใช้ roi_orf ก่อนหน้าแทน การแจกแจงเริ่มต้นคือ HalfNormal(5.0)
eta_m การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลลัพธ์สื่อระดับพื้นที่สําหรับแชแนลสื่อการแสดงผล (beta_gm) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่าเบี่ยงเบนมาตรฐานตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่าเบี่ยงเบนมาตรฐานของการแจกแจง Normal พื้นฐานซึ่งเปลี่ยนรูปแบบเป็นลอการิทึม การแจกจ่ายเริ่มต้นคือ HalfNormal(1.0)
eta_rf การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลลัพธ์สื่อระดับพื้นที่สําหรับแชแนลสื่อ RF (beta_grf) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่าเบี่ยงเบนมาตรฐานตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่าเบี่ยงเบนมาตรฐานของการแจกแจง Normal พื้นฐานซึ่งแปลงเป็นลอการิทึม การแจกจ่ายเริ่มต้นคือ HalfNormal(1.0)
eta_om การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลกระทบจากสื่อระดับพื้นที่สําหรับแชแนลสื่อทั่วไป (beta_gom) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่าเบี่ยงเบนมาตรฐานตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่าเบี่ยงเบนมาตรฐานของการแจกแจง Normal พื้นฐานซึ่งแปลงเป็นลอการิทึม การแจกจ่ายเริ่มต้นคือ HalfNormal(1.0)
eta_orf การแจกแจงก่อนในพารามิเตอร์สําหรับการแจกแจงตามลําดับชั้นของผลลัพธ์สื่อระดับพื้นที่สําหรับแชแนลสื่อ RF ทั่วไป (beta_gorf) เมื่อตั้งค่า media_effects_dist เป็น 'normal' จะเป็นค่าความคลาดเคลื่อนมาตรฐานตามลําดับชั้น เมื่อตั้งค่า media_effects_dist เป็น 'log_normal' จะเป็นพารามิเตอร์ตามลําดับชั้นสําหรับค่าเบี่ยงเบนมาตรฐานของการแจกแจง Normal พื้นฐานที่แปลงเป็นลําดับเชิงลําดับ การเผยแพร่เริ่มต้นคือ HalfNormal(1.0)
gamma_c การแจกแจงเบื้องต้นเกี่ยวกับค่ามัธยฐานตามลําดับชั้นของ gamma_gc ซึ่งเป็นค่าสัมประสิทธิ์ของกลุ่มควบคุม c สําหรับภูมิศาสตร์ g ลำดับชั้นจะกำหนดใน Geo การแจกแจงเริ่มต้นคือ Normal(0.0, 5.0)
gamma_n การแจกแจงก่อนเกี่ยวกับค่ามัธยฐานตามลําดับชั้นของ gamma_gn ซึ่งเป็นค่าสัมประสิทธิ์ในแชแนลที่ไม่ใช่สื่อ n สําหรับภูมิศาสตร์ g ลำดับชั้นจะกำหนดสำหรับพื้นที่ทางภูมิศาสตร์ การแจกแจงเริ่มต้นคือ Normal(0.0, 5.0)
xi_c การแจกแจงก่อนหน้านี้เกี่ยวกับค่าเบี่ยงเบนมาตรฐานตามลําดับชั้นของ gamma_gc ซึ่งเป็นค่าสัมประสิทธิ์ในการควบคุม c สําหรับภูมิศาสตร์ g ลําดับชั้นจะกําหนดตามภูมิศาสตร์ การแจกแจงเริ่มต้นคือ HalfNormal(5.0)
xi_n การแจกแจงก่อนเกี่ยวกับส่วนเบี่ยงเบนมาตรฐานตามลําดับชั้นของ gamma_gn ซึ่งเป็นค่าสัมประสิทธิ์ของแชแนลที่ไม่ใช่สื่อ n สําหรับภูมิศาสตร์ g ลำดับชั้นจะกำหนดตามภูมิศาสตร์ การแจกแจงเริ่มต้นคือ HalfNormal(5.0)
alpha_m การแจกแจงก่อนหน้านี้ในgeometric decay พารามิเตอร์ Adstock สำหรับข้อมูลพร็อพเพอร์ตี้สื่อ การแจกแจงเริ่มต้นคือ Uniform(0.0, 1.0)
alpha_rf การแจกแจงก่อนในพารามิเตอร์ geometric decay Adstock สําหรับข้อมูลอินพุต RF การแจกแจงเริ่มต้นคือ Uniform(0.0, 1.0)
alpha_om การแจกแจงเบื้องต้นในgeometric decay พารามิเตอร์ Adstock สําหรับข้อมูลสื่อทั่วไป การแจกแจงเริ่มต้นคือ Uniform(0.0, 1.0)
alpha_orf การแจกแจงก่อนหน้านี้ในgeometric decayพารามิเตอร์ Adstock สําหรับข้อมูล RF ทั่วไป การแจกแจงเริ่มต้นคือ Uniform(0.0, 1.0)
ec_m การแจกแจงเบื้องต้นในhalf-saturationพารามิเตอร์ Hill สําหรับอินพุตสื่อ การแจกแจงเริ่มต้นคือ TruncatedNormal(0.8, 0.8, 0.1, 10)
ec_rf การแจกแจงเบื้องต้นในhalf-saturationพารามิเตอร์ Hill สําหรับอินพุต RF การแจกแจงเริ่มต้นคือ TransformedDistribution(LogNormal(0.7, 0.4), Shift(0.1))
ec_om การแจกแจงเบื้องต้นในhalf-saturationพารามิเตอร์ Hill สําหรับข้อมูลป้อนเข้าของสื่อทั่วไป การแจกแจงเริ่มต้นคือ TruncatedNormal(0.8, 0.8, 0.1, 10)
ec_orf การแจกแจงเบื้องต้นในhalf-saturationพารามิเตอร์ Hill สำหรับข้อมูล RF ทั่วไป การแจกแจงเริ่มต้นคือ TransformedDistribution( LogNormal(0.7, 0.4), Shift(0.1))
slope_m การแจกแจงเบื้องต้นในslopeพารามิเตอร์ Hill สําหรับอินพุตสื่อ การแจกแจงเริ่มต้นคือ Deterministic(1.0)
slope_rf การแจกแจงเบื้องต้นในslopeพารามิเตอร์ Hill สำหรับอินพุต RF การแจกแจงเริ่มต้นคือ LogNormal(0.7, 0.4)
slope_om การแจกแจงเบื้องต้นในslopeพารามิเตอร์ Hill สําหรับอินพุตสื่อทั่วไป การแจกแจงเริ่มต้นคือ Deterministic(1.0)
slope_orf การแจกแจงเบื้องต้นในslopeพารามิเตอร์ Hill สําหรับอินพุต RF ทั่วไป การแจกแจงเริ่มต้นคือ LogNormal(0.7, 0.4)
sigma การแจกแจงเบื้องต้นเกี่ยวกับค่าเบี่ยงเบนมาตรฐานของสัญญาณรบกวน การแจกแจงเริ่มต้นคือ HalfNormal(5.0)
roi_m การแจกแจง ROI หรือ mROI ก่อนหน้านี้ (ขึ้นอยู่กับค่าของ paid_media_prior_type) ของช่องทางสื่อแต่ละช่องทาง Meridian จะไม่สนใจการแจกแจงนี้หาก paid_media_prior_type เป็น 'coefficient' และใช้ beta_m แทน เมื่อ paid_media_prior_type เป็น 'roi' หรือ 'mroi' ระบบจะคํานวณ beta_m เป็นฟังก์ชันเชิงกำหนดของ roi_m, alpha_m, ec_m, slope_m และการใช้จ่ายที่เชื่อมโยงกับช่องทางสื่อแต่ละช่องทาง การแจกแจงเริ่มต้นคือ LogNormal(0.2, 0.9) เมื่อ paid_media_prior_type == "roi" และ LogNormal(0.0, 0.5) เมื่อ paid_media_prior_type == "mroi" เมื่อ kpi_type เป็น 'non_revenue' และไม่ได้ระบุ revenue_per_kpi ระบบจะตีความ ROI เป็นหน่วย KPI ที่เพิ่มขึ้นต่อหน่วยเงินที่ใช้จ่าย ในกรณีนี้ 1) หากเป็น paid_media_prior_type='roi' ระบบจะไม่สนใจค่าเริ่มต้นของ roi_m และ roi_rf และจะกําหนด ROI ทั่วไปก่อนหน้านี้ให้กับแชแนลทั้งหมดเพื่อให้ได้ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานเป้าหมายในการมีส่วนร่วมของสื่อทั้งหมด และ 2) ระบบไม่รองรับ paid_media_prior_type='mroi'
roi_rf การแจกแจงก่อนหน้านี้เกี่ยวกับ ROI หรือ mROI (ขึ้นอยู่กับค่าของ paid_media_prior_type) ของแชแนลการเข้าถึงและความถี่แต่ละแชแนล Meridian จะละเว้นการแจกแจงนี้หาก paid_media_prior_type เป็น 'coefficient' และจะใช้ beta_rf แทน เมื่อ paid_media_prior_type เป็น 'roi' หรือ 'mroi' ระบบจะคํานวณ beta_rf เป็นฟังก์ชันเชิงกำหนดของ roi_rf, alpha_rf, ec_rf, slope_rf และการใช้จ่ายที่เชื่อมโยงกับ ช่องทางสื่อแต่ละช่องทาง การแจกแจงเริ่มต้นคือ LogNormal(0.2, 0.9) เมื่อ paid_media_prior_type == "roi" และ LogNormal(0.0, 0.5) เมื่อ paid_media_prior_type == "mroi" เมื่อ kpi_type เป็น 'non_revenue' และไม่ได้ระบุ revenue_per_kpi ระบบจะตีความ ROI เป็นหน่วย KPI ที่เพิ่มขึ้นต่อหน่วยเงินที่ใช้จ่าย ในกรณีนี้ 1) หากเป็น paid_media_prior_type='roi' ระบบจะไม่สนใจค่าเริ่มต้นของ roi_m และ roi_rf และจะกําหนด ROI ทั่วไปก่อนหน้านี้ให้กับแชแนลทั้งหมดเพื่อให้ได้ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานเป้าหมายในการมีส่วนร่วมของสื่อทั้งหมด และ 2) ระบบไม่รองรับ paid_media_prior_type='mroi'

เมธอด

broadcast

ดูแหล่งที่มา

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

แสดงผล PriorDistribution ใหม่ที่มีแอตทริบิวต์การเผยแพร่แบบออกอากาศ

Args
n_geos จํานวน Geo
n_media_channels จํานวนช่องทางสื่อที่ใช้
n_rf_channels จํานวนแชแนลการเข้าถึงและความถี่ที่ใช้
n_organic_media_channels จํานวนแชแนลสื่อทั่วไปที่ใช้
n_organic_rf_channels จํานวนแชแนลการเข้าถึงและความถี่แบบทั่วไปที่ใช้
n_controls จํานวนการควบคุมที่ใช้
n_non_media_channels จํานวนแชแนลที่ไม่ใช่สื่อที่ใช้
sigma_shape จํานวนอธิบายรูปร่างของพารามิเตอร์ซิกม่า จะเป็น 1 (หากเป็น sigma_for_each_geo=False) หรือ n_geos (หากเป็น sigma_for_each_geo=True) ดูข้อมูลเพิ่มเติมได้ที่ ModelSpec
n_knots จำนวนปมที่ใช้
is_national ตัวบ่งชี้บูลีนว่าจะมีการปรับการแจกแจงก่อนหน้านี้สำหรับโมเดลระดับประเทศหรือไม่
paid_media_prior_type สตริงที่ระบุประเภทก่อนหน้าสำหรับค่าสัมประสิทธิ์สื่อ
set_roi_prior ตัวบ่งชี้บูลีนที่ระบุว่าควรตั้งค่า ROI ก่อนหน้าหรือไม่
kpi ผลรวมของ KPI ทั้งหมดตามภูมิศาสตร์และเวลา ต้องระบุหาก set_roi_prior=True
total_spend การใช้จ่ายต่อช่องทางสื่อที่รวมจากภูมิศาสตร์และเวลา ต้องระบุ หาก set_roi_prior=True

การคืนสินค้า
PriorDistribution ใหม่ซึ่งออกอากาศจากการเผยแพร่ก่อนหน้านี้นี้ ตามมิติข้อมูลของข้อมูลที่ระบุ

เพิ่ม
ValueError หากไม่ได้ตั้งค่าลําดับความสําคัญที่กําหนดเองสําหรับบางช่อง

has_deterministic_param

ดูแหล่งที่มา

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

__eq__

__eq__(
    other
)

แสดงผล self==value