meridian.model.spec.ModelSpec

মেরিডিয়ানের জন্য মডেল স্পেসিফিকেশন পরামিতি।

meridian.model.spec.ModelSpec(
    prior: meridian.model.prior_distribution.PriorDistribution = dataclasses.field(default_factory=prior_distribution.PriorDistribution),
    media_effects_dist: str = constants.MEDIA_EFFECTS_LOG_NORMAL,
    hill_before_adstock: bool = False,
    max_lag: (int | None) = 8,
    unique_sigma_for_each_geo: bool = False,
    use_roi_prior: bool = True,
    roi_calibration_period: (np.ndarray | None) = None,
    rf_roi_calibration_period: (np.ndarray | None) = None,
    knots: (int | list[int] | None) = None,
    baseline_geo: (int | str | None) = None,
    holdout_id: (np.ndarray | None) = None,
    control_population_scaling_id: (np.ndarray | None) = None
)

এই ক্লাসে সমস্ত মডেল প্যারামিটার রয়েছে যা মেরিডিয়ানের রানের মধ্যে পরিবর্তন হয় না।

গুণাবলী
`prior`	একটি `PriorDistribution` অবজেক্ট যা মডেল প্যারামিটারের প্রতিটি সেটের পূর্ব বন্টন নির্দিষ্ট করে। প্যারামিটারের একটি ভেক্টরের বন্টন (উদাহরণস্বরূপ, `alpha_m` ) হয় স্কেলার ডিস্ট্রিবিউশন বা ভেক্টর ডিস্ট্রিবিউশন হিসাবে পাস করা যেতে পারে। একটি স্কেলার ডিস্ট্রিবিউশন পাস করা হলে, এটি প্যারামিটার ভেক্টরের প্রকৃত আকারে সম্প্রচার করা হয়। উল্লেখ্য যে `PriorDistribution` `roi_m` এবং `beta_m` উভয়ের জন্য ডিস্ট্রিবিউশন রয়েছে, কিন্তু এর মধ্যে শুধুমাত্র একটি ব্যবহার করা হয়। `use_roi_prior` `True` এ সেট করা থাকলে, `roi_m` prior ব্যবহার করা হয়। অন্যথায়, `beta_m` prior ব্যবহার করা হয়।
`media_effects_dist`	জিওস জুড়ে মিডিয়া এলোমেলো প্রভাবের বিতরণ নির্দিষ্ট করার জন্য একটি স্ট্রিং। এই বৈশিষ্ট্যটি একটি জাতীয়-স্তরের মডেলের সাথে ব্যবহার করা হয় না। অনুমোদিত মান: `'normal'` বা `'log_normal'` । ডিফল্ট: `'log_normal'` ।
`hill_before_adstock`	একটি বুলিয়ান নির্দেশ করে যে Adstock ফাংশনের আগে Hill ফাংশন প্রয়োগ করা হবে কিনা, পরিবর্তে Adstock-এর পূর্বে Hill এর ডিফল্ট ক্রম। এই যুক্তি RF চ্যানেল প্রযোজ্য নয়. ডিফল্ট: `False` ।
`max_lag`	একটি পূর্ণসংখ্যা যেটি অ্যাডস্টক গণনায় অন্তর্ভুক্ত করার জন্য সর্বাধিক সংখ্যক ল্যাগ পিরিয়ড (≥ `0` ) নির্দেশ করে৷ এছাড়াও `None` এ সেট করা যেতে পারে, যা অসীম সর্বোচ্চ ল্যাগের সমতুল্য। ডিফল্ট: `8` ।
`unique_sigma_for_each_geo`	একটি বুলিয়ান নির্দেশ করে যে প্রতিটি জিওর জন্য একটি অনন্য অবশিষ্ট প্রকরণ ব্যবহার করতে হবে কিনা। যদি `False` হয়, তাহলে সমস্ত জিওর জন্য একটি একক অবশিষ্ট প্রকরণ ব্যবহার করা হয়। ডিফল্ট: `False` ।
`use_roi_prior`	একটি বুলিয়ান ইঙ্গিত করে যে ROI priors ব্যবহার করতে হবে এবং `roi_m` এর পূর্বে পূর্বে ব্যবহার করতে হবে। যদি `False` হয়, তাহলে prior-এ `beta_m` prior ব্যবহার করা হয়। ডিফল্ট: `True` ।
`roi_calibration_period`	আকৃতির একটি ঐচ্ছিক বুলিয়ান অ্যারে `(n_media_times, n_media_channels)` যা মিডিয়া ROI ক্রমাঙ্কনের জন্য `time` উপসেট নির্দেশ করে। যদি `None` , সব সময় মিডিয়া ROI ক্রমাঙ্কনের জন্য ব্যবহৃত হয়। ডিফল্ট: `None` ।
`rf_roi_calibration_period`	আকৃতির একটি ঐচ্ছিক বুলিয়ান অ্যারে `(n_media_times, n_rf_channels)` যা পৌঁছানোর এবং ফ্রিকোয়েন্সি ROI ক্রমাঙ্কনের জন্য `time` উপসেট নির্দেশ করে। যদি `None` , সব সময় মিডিয়া ROI ক্রমাঙ্কনের জন্য ব্যবহৃত হয়। ডিফল্ট: `None` ।
`knots`	একটি ঐচ্ছিক পূর্ণসংখ্যা বা পূর্ণসংখ্যার তালিকা যা সময়ের প্রভাব অনুমান করতে ব্যবহৃত নট নির্দেশ করে। যখন `knots` পূর্ণসংখ্যার একটি তালিকা হয়, তখন সেই তালিকার দ্বারা নট অবস্থানগুলি প্রদান করা হয়। শূন্য প্রথম টাইম পিরিয়ডে একটি গিঁটের সাথে মিলে যায়, একটি দ্বিতীয় টাইম পিরিয়ডে একটি গিঁটের সাথে মিলে যায়, ..., এবং `(n_times - 1)` শেষ সময়কালে একটি গিঁটের সাথে মিলে যায়)। সাধারণত, আমরা `0` এবং `(n_times - 1)` এ নট অন্তর্ভুক্ত করার পরামর্শ দিই, তবে এটির প্রয়োজন নেই। যখন `knots` একটি পূর্ণসংখ্যা হয়, তখন সেখানে গিঁট থাকে যেখানে স্থানগুলি সমানভাবে ব্যবধানে থাকে, (শূন্য এবং `(n_times - 1)` । যখন `knots` `1` হয়, তখন সব সময়ের জন্য একটি একক সাধারণ রিগ্রেশন সহগ ব্যবহার করা হয়। যদি `knots` `None` `knots` সেট করা `None` , তাহলে জিও মডেলের ক্ষেত্রে ব্যবহৃত নটগুলির সংখ্যাটি তার নিজস্ব রিগ্রেশন কোফিসিয়েন্টের সমতুল্য একটি জাতীয় মডেলের, তাহলে ব্যবহৃত নট সংখ্যা হল `1` ডিফল্ট: `None` ।
`baseline_geo`	বেসলাইন জিও-এর জন্য একটি ঐচ্ছিক পূর্ণসংখ্যা বা একটি স্ট্রিং। geos-এর ডামি এনকোডিং-এ বেসলাইন জিওকে রেফারেন্স জিও হিসেবে ধরা হয়। নন-বেসলাইন জিওগুলির একটি সংশ্লিষ্ট `tau_g` সূচক পরিবর্তনশীল রয়েছে, যার অর্থ হল বেসলাইন জিওর তুলনায় তাদের পূর্বের বৈচিত্র্য বেশি। `None` এ সেট করা হলে, সবচেয়ে বেশি জনসংখ্যার জিও বেসলাইন হিসেবে ব্যবহার করা হয়। ডিফল্ট: `None` ।
`holdout_id`	একটি ভূ-স্তরের মডেলের জন্য মাত্রার ঐচ্ছিক বুলিয়ান টেনসর `(n_geos, n_times)` বা একটি জাতীয় মডেলের জন্য `(n_times,)` , যা নির্দেশ করে যে কোন পর্যবেক্ষণগুলি হোল্ডআউট নমুনার অংশ, যা প্রশিক্ষণের নমুনা থেকে বাদ দেওয়া হয়েছে। প্রশিক্ষণ নমুনা থেকে শুধুমাত্র KPI বা রাজস্ব (প্রভাব) ডেটা বাদ দেওয়া হয়েছে। মিডিয়া ডেটা এখনও অন্তর্ভুক্ত করা হয়েছে কারণ এটি পরবর্তী সপ্তাহের জন্য অ্যাডস্টককে প্রভাবিত করতে পারে। যদি "ROI priors" ব্যবহার করা হয়, যেমন `use_roi_prior=True` , তাহলে `roi_m` প্যারামিটারগুলি সমস্ত জিও এবং সময়ের ROI-এর সাথে মিলে যায়, এমনকি হোল্ডআউট নমুনাগুলির মধ্যেও৷
`control_population_scaling_id`	মাত্রার একটি ঐচ্ছিক বুলিয়ান টেনসর `(n_controls,)` নিয়ন্ত্রণ ভেরিয়েবল নির্দেশ করে যার জন্য নিয়ন্ত্রণ মান জনসংখ্যার দ্বারা স্কেল করা হবে। যদি `None` , কোন নিয়ন্ত্রণ ভেরিয়েবল জনসংখ্যা দ্বারা মাপানো হয় না। ডিফল্ট: `None` ।

পদ্ধতি

`eq`

__eq__(
    other
)

স্ব== মান ফেরত দিন।

ক্লাস ভেরিয়েবল
বেসলাইন_জিও	`None`
নিয়ন্ত্রণ_জনসংখ্যা_স্কেলিং_আইডি	`None`
hill_fore_adstock	`False`
হোল্ডআউট_আইডি	`None`
গিঁট	`None`
max_lag	`8`
media_effects_dist	`'log_normal'`
rf_roi_calibration_period	`None`
roi_calibration_period	`None`
প্রতিটি_ভূমির জন্য অনন্য_সিগমা	`False`
use_roi_prior	`True`

গুণাবলী

পদ্ধতি

__eq__

ক্লাস ভেরিয়েবল

`eq`