不妨试试 Meridian 方案规划工具，体验互动式预算规划！

این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

meridian.analysis.analyzer.analyzer

محاسبات را برای تجزیه و تحلیل داده های خام پس از برازش مدل اجرا می کند.

meridian.analysis.analyzer.Analyzer(
    meridian: meridian.model.model.Meridian
)

کلاس های کودک

class PerformanceData

روش ها

`adstock_decay`

مشاهده منبع

adstock_decay(
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL
) -> pd.DataFrame

واپاشی موجودی تبلیغات را برای کانال های رسانه و دسترسی و فرکانس محاسبه می کند.

ارگ
`confidence_level`	سطح اطمینان برای فواصل معتبر قبلی و پسین، به عنوان مقداری بین صفر و یک نمایش داده می شود.

برمی گرداند
Pandas DataFrame حاوی کانال، `time_units` ، توزیع، `ci_hi` ، `ci_lo` ، و `mean` برای تابع Adstock است.

`baseline_summary_metrics`

مشاهده منبع

baseline_summary_metrics(
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> xr.Dataset

معیارهای خلاصه پایه را برمی‌گرداند.

ارگ
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، همه جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری حاوی زیرمجموعه ای از زمان ها. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	بولی. اگر `True` ، تأثیر مورد انتظار در تمام مناطق خلاصه می شود.
`aggregate_times`	بولی. اگر `True` ، تأثیر مورد انتظار در تمام دوره‌های زمانی خلاصه می‌شود.
`confidence_level`	سطح اطمینان برای فواصل معتبر معیارهای خلاصه رسانه، که به صورت مقداری بین صفر و یک نمایش داده می‌شود.
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
یک `xr.Dataset` با مختصات: `metric` ( `mean` ، `median` ، `ci_low` ، `ci_high` )، `distribution` (قبلی، پسین) و شامل متغیرهای داده زیر است: `baseline_impact` ، `pct_of_contribution` .

`cpik`

مشاهده منبع

cpik(
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_media_spend: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_rf_spend: (tf.Tensor | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

هزینه هر توزیع KPI افزایشی برای هر کانال را محاسبه می کند.

شمارشگر CPIK کل هزینه شده در کانال است. مخرج CPIK تغییر در KPI مورد انتظار زمانی است که هزینه یک کانال روی صفر تنظیم می شود و هزینه تمام کانال های دیگر بدون تغییر باقی می ماند.

ارگ
`use_posterior`	بولی. اگر `True` ، توزیع پسین محاسبه می شود. در غیر این صورت، توزیع قبلی محاسبه می شود.
`new_media`	تانسور اختیاری با رسانه. برای محاسبه CPIK استفاده می شود.
`new_media_spend`	تانسور اختیاری با `media_spend` برای محاسبه CPIK.
`new_reach`	تانسور اختیاری با دسترسی. برای محاسبه CPIK استفاده می شود.
`new_frequency`	تانسور اختیاری با فرکانس. برای محاسبه CPIK استفاده می شود.
`new_rf_spend`	تانسور اختیاری با rf_spend برای محاسبه CPIK.
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، همه جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری حاوی زیرمجموعه ای از زمان ها. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	بولی. اگر `True` ، KPI مورد انتظار در تمام مناطق جمع می شود.
`aggregate_times`	بولی. اگر `True` ، KPI مورد انتظار در تمام دوره های زمانی جمع می شود.
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
تانسور مقادیر CPIK با ابعاد `(n_chains, n_draws, n_geos, n_times, (n_media_channels + n_rf_channels))` . اگر `aggregate_geos=True` یا `aggregate_times=True` باشد، ابعاد `n_geos` و `n_times` حذف می شوند.

`expected_outcome`

مشاهده منبع

expected_outcome(
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_controls: (tf.Tensor | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    inverse_transform_outcome: bool = True,
    use_kpi: bool = False,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

نتیجه مورد انتظار قبلی یا پسین را محاسبه می کند.

این E(Impact|Media, Controls) را برای هر قرعه کشی پارامتر بعدی (یا قبلی) محاسبه می کند، جایی که Impact ("نتیجه") به revenue اشاره دارد اگر use_kpi=False ، یا kpi اگر use_kpi=True . هنگامی که revenue_per_kpi تعریف نشده است، use_kpi نمی تواند False باشد.

به‌طور پیش‌فرض، این نتیجه مورد انتظار را مشروط به رسانه و مقادیر کنترلی که شی Meridian با آن مقداردهی اولیه شده است، محاسبه می‌کند. کاربر همچنین می‌تواند مقادیر رسانه‌ای دیگر را تا زمانی که ابعاد مطابقت دارند و به طور مشابه برای کنترل‌ها ارسال کند. در اصل، نتیجه مورد انتظار را می‌توان با سایر ابعاد زمانی (مثلاً پیش‌بینی‌های آینده) محاسبه کرد، اما به دلیل پیچیدگی‌های اضافی که معرفی می‌کند، با این روش مجاز نیست:

اطلاعات مربوط به قیمت (درآمد به ازای هر KPI) نیز مورد نیاز است.
اگر مدل دارای پارامترهای اثر هفتگی باشد، به روشی برای تخمین یا پیش‌بینی این اثرات برای دوره‌های زمانی خارج از پنجره داده‌های آموزشی نیاز است.

ارگ
`use_posterior`	بولی. اگر `True` ، توزیع پسین نتیجه مورد انتظار محاسبه می شود. در غیر این صورت، توزیع قبلی محاسبه می شود.
`new_media`	تانسور اختیاری با رسانه مطابق با ابعاد.
`new_reach`	تانسور اختیاری با دستیابی منطبق بر ابعاد.
`new_frequency`	تانسور اختیاری با فرکانس تطبیق ابعاد.
`new_controls`	تانسور اختیاری با کنترل‌های تطبیق ابعاد.
`selected_geos`	فهرست اختیاری شامل زیرمجموعه ای از جغرافیایی که باید شامل شود. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری شامل زیرمجموعه ای از تاریخ ها برای گنجاندن. مقادیر پذیرفته شده در اینجا باید با مختصات بعد زمانی از `InputData.time` مطابقت داشته باشد. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	بولی. اگر `True` ، نتیجه مورد انتظار در تمام مناطق جمع می شود.
`aggregate_times`	بولی. اگر `True` ، نتیجه مورد انتظار در تمام دوره های زمانی جمع می شود.
`inverse_transform_outcome`	بولی. اگر `True` ، نتیجه مورد انتظار را در KPI یا درآمد اصلی (بسته به آنچه به `use_kpi` ارسال می‌شود) برمی‌گرداند، همانطور که به `InputData` ارسال شده است. اگر نادرست باشد، نتیجه را پس از تبدیل توسط `KpiTransformer` برمی‌گرداند و نحوه نمایش آن را در مدل نشان می‌دهد.
`use_kpi`	بولی. اگر `use_kpi = True` ، KPI مورد انتظار محاسبه می شود. در غیر این صورت درآمد مورد انتظار `(kpi * revenue_per_kpi)` محاسبه می شود. لازم است که `use_kpi = True` اگر `revenue_per_kpi` تعریف نشده باشد یا اگر `inverse_transform_outcome = False` باشد.
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
تانسور نتیجه مورد انتظار (یا KPI یا درآمد، بسته به آرگومان `use_kpi` ) با ابعاد `(n_chains, n_draws, n_geos, n_times)` . اگر `aggregate_geos=True` یا `aggregate_time=True` به ترتیب، ابعاد `n_geos` و `n_times` حذف می‌شود.

افزایش می دهد
`NotFittedModelError`	اگر `sample_posterior()` (برای `use_posterior=True` ) یا `sample_prior()` (برای `use_posterior=False` ) قبل از فراخوانی این متد فراخوانی نشده باشد.

`expected_vs_actual_data`

مشاهده منبع

expected_vs_actual_data(
    aggregate_geos: bool = False,
    aggregate_times: bool = False,
    split_by_holdout_id: bool = False,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL
) -> xr.Dataset

داده ها را برای نتیجه مورد انتظار در مقابل واقعی در طول زمان محاسبه می کند.

ارگ
`aggregate_geos`	بولی. اگر `True` ، مقدار مورد انتظار، پایه و واقعی در تمام مناطق جمع می‌شود.
`aggregate_times`	بولی. اگر `True` ، مقدار مورد انتظار، پایه و واقعی در تمام دوره‌های زمانی جمع می‌شوند.
`split_by_holdout_id`	بولی. اگر `True` و `holdout_id` وجود داشته باشد، داده‌ها به زیربخش‌های `'Train'` ، `'Test'` و `'All Data'` تقسیم می‌شوند.
`confidence_level`	سطح اطمینان برای فواصل معتبر نتیجه مورد انتظار، که به صورت مقداری بین صفر و یک نمایش داده می شود. پیش فرض: `0.9`

برمی گرداند
مجموعه داده ای با معیارهای مورد انتظار، خط پایه و نتیجه واقعی.

`filter_and_aggregate_geos_and_times`

مشاهده منبع

filter_and_aggregate_geos_and_times(
    tensor: tf.Tensor,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | Sequence[bool] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    flexible_time_dim: bool = False,
    has_media_dim: bool = True
) -> tf.Tensor

ابعاد جغرافیایی و زمانی یک تانسور را فیلتر و/یا جمع می کند.

ارگ
`tensor`	تانسور با ابعاد `[..., n_geos, n_times]` یا `[..., n_geos, n_times, n_channels]` .
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است. مکان‌های جغرافیایی انتخاب شده باید با موارد موجود در `InputData.geo` مطابقت داشته باشند.
`selected_times`	لیست اختیاری از زمان برای گنجاندن. این می تواند یک لیست رشته ای حاوی زیرمجموعه ای از مختصات بعد زمانی از `InputData.time` یا یک لیست بولی با طول برابر با بعد زمانی تانسور باشد. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	بولی. اگر `True` ، تانسور در تمام زمین‌ها جمع می‌شود.
`aggregate_times`	بولی. اگر `True` ، تانسور در تمام دوره های زمانی جمع می شود.
`flexible_time_dim`	بولی. اگر `True` ، بعد زمانی تانسور برای مطابقت با تعداد دوره های زمانی در `InputData.time` لازم نیست. در این حالت، در صورت استفاده از `selected_times` ، باید یک لیست بولی با طول برابر با بعد زمانی تانسور باشد.
`has_media_dim`	بولی. فقط در صورت `flexible_time_dim=True` استفاده می شود. در غیر این صورت، این بر اساس ابعاد تانسور فرض می شود. اگر `True` ، فرض می شود که تانسور بعد از بعد زمانی دارای بعد رسانه ای است. اگر `False` ، آخرین بعد تانسور بعد زمانی در نظر گرفته می شود.

برمی گرداند
یک تانسور با ابعاد جغرافیایی و زمانی فیلتر شده و/یا تجمیع شده.

`get_aggregated_impressions`

مشاهده منبع

get_aggregated_impressions(
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    optimal_frequency: (Sequence[float] | None) = None
) -> tf.Tensor

مقادیر برداشت‌های جمع‌آوری شده در داده‌ها را در همه کانال‌ها محاسبه می‌کند.

ارگ
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری حاوی زیرمجموعه ای از زمان ها. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	بولی. اگر `True` ، نتیجه مورد انتظار در تمام مناطق جمع می شود.
`aggregate_times`	بولی. اگر `True` ، نتیجه مورد انتظار در تمام دوره های زمانی جمع می شود.
`optimal_frequency`	یک لیست اختیاری با ابعاد `n_rf_channels` ، حاوی فرکانس بهینه در هر کانال، که میانگین Roi پسین را به حداکثر می‌رساند. مقدار پیش‌فرض `None` است و فرکانس تاریخی برای محاسبه معیارها استفاده می‌شود.

برمی گرداند
یک تانسور با شکل `(n_selected_geos, n_selected_times, n_channels)` (یا `(n_channels,)` در صورت تجمیع مکان‌ها و زمان‌ها) با مقادیر نمایش کلی در هر کانال.

`get_r_hat`

مشاهده منبع

get_r_hat() -> Mapping[str, tf.Tensor]

مقادیر R-hat را برای هر پارامتر در مدل محاسبه می کند.

برمی گرداند
فرهنگ لغت مقادیر r-hat که در آن هر پارامتر یک کلید و مقادیر r-hat مربوط به پارامتر هستند.

افزایش می دهد
`NotFittedModelError`	اگر قبل از فراخوانی این متد ()self.sample_posterior فراخوانی نشود.

`hill_curves`

مشاهده منبع

hill_curves(
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    n_bins: int = 25
) -> pd.DataFrame

جداول منحنی هیل را که برای رسم منحنی های هر کانال استفاده می شود، تخمین می زند.

ارگ
`confidence_level`	سطح اطمینان برای فواصل معتبر قبلی و پسین، به عنوان مقداری بین صفر و یک نمایش داده می شود. پیش فرض `0.9` است.
`n_bins`	تعداد سطل‌هایی با عرض مساوی که باید در هیستوگرام برای ترسیم گنجانده شوند. پیش فرض `25` است.

برمی گرداند

برمی گرداند
Hill Curves pd.DataFrame با ستون ها: `channel` : نام کانال `media` یا `rf` . `media_units` : واحدهای رسانه (برای کانال های `media` ) یا فرکانس متوسط (برای کانال های `rf` ). `distribution` : نشان دهنده قرعه کشی `posterior` یا `prior` . `ci_hi` : کران بالای بازه معتبر مقدار تابع Hill. `ci_lo` : کران پایین بازه معتبر مقدار تابع Hill. `mean` : میانگین نقطه ای مقدار تابع Hill در هر قرعه کشی. `channel_type` : نشان دهنده یک کانال `media` یا `rf` . `scaled_count_histogram` : تعداد مقیاس‌شده واحدهای رسانه یا فرکانس‌های متوسط درون سطل. `count_histogram` : مقدار واقعی شمارش واحدهای رسانه یا فرکانس‌های متوسط درون bin. `start_interval_histogram` : واحد رسانه یا نقطه شروع فرکانس متوسط برای یک سطل هیستوگرام. `end_interval_histogram` : واحد رسانه یا نقطه پایان فرکانس متوسط برای سطل هیستوگرام.

Hill Curves pd.DataFrame با ستون ها:

channel : نام کانال media یا rf .
media_units : واحدهای رسانه (برای کانال های media ) یا فرکانس متوسط (برای کانال های rf ).
distribution : نشان دهنده قرعه کشی posterior یا prior .
ci_hi : کران بالای بازه معتبر مقدار تابع Hill.
ci_lo : کران پایین بازه معتبر مقدار تابع Hill.
mean : میانگین نقطه ای مقدار تابع Hill در هر قرعه کشی.
channel_type : نشان دهنده یک کانال media یا rf .
scaled_count_histogram : تعداد مقیاس‌شده واحدهای رسانه یا فرکانس‌های متوسط درون سطل.
count_histogram : مقدار واقعی شمارش واحدهای رسانه یا فرکانس‌های متوسط درون bin.
start_interval_histogram : واحد رسانه یا نقطه شروع فرکانس متوسط برای یک سطل هیستوگرام.
end_interval_histogram : واحد رسانه یا نقطه پایان فرکانس متوسط برای سطل هیستوگرام.

`incremental_impact`

مشاهده منبع

incremental_impact(
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_revenue_per_kpi: (tf.Tensor | None) = None,
    scaling_factor0: float = 0.0,
    scaling_factor1: float = 1.0,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | Sequence[bool] | None) = None,
    media_selected_times: (Sequence[str] | Sequence[bool] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    inverse_transform_impact: bool = True,
    use_kpi: bool = False,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

تاثیر افزایشی خلفی یا قبلی را محاسبه می کند.

این تأثیر رسانه ای هر کانال رسانه ای را برای هر ترسیم پارامترهای قبلی یا قبلی محاسبه می کند. تاثیر افزایشی به صورت زیر تعریف می شود:

E(Outcome|Media_1, Controls) منهای E(Outcome|Media_0, Controls)

در اینجا Media_1 به این معنی است که اجرای رسانه برای یک کانال معین در scaling_factor1 (به طور پیش‌فرض 1.0) برای مجموعه دوره‌های زمانی مشخص شده توسط media_selected_times ضرب می‌شود. به طور مشابه، Media_0 به این معنی است که اجرای رسانه در scaling_factor0 (به طور پیش‌فرض 0.0) برای این دوره‌های زمانی ضرب می‌شود.

برای کانال‌هایی با داده‌های دسترسی و فرکانس، فرکانس ثابت می‌ماند در حالی که دسترسی مقیاس‌بندی می‌شود. "نتیجه" یا به revenue اشاره دارد اگر use_kpi=False ، یا kpi اگر use_kpi=True . هنگامی که revenue_per_kpi تعریف نشده است، use_kpi نمی تواند False باشد.

به‌طور پیش‌فرض، «Media» مقادیر رسانه‌ای را نشان می‌دهد که شی Meridian با آن مقداردهی اولیه شده است، اما این می‌تواند توسط آرگومان‌های new_media ، new_reach و new_frequency لغو شود.

محاسبه در این روش به دو فرض کلیدی در اجرای مریدین بستگی دارد:

افزایش افکت های رسانه ای (بدون تعامل).
تغییرات افزایشی در مقیاس KPI مدل با تغییرات افزایشی در مقیاس KPI اصلی مطابقت دارد. به عبارت دیگر، اثرات رهگیری و کنترل تأثیری بر اثرات رسانه ای ندارند. این فرض در حال حاضر صادق است زیرا تبدیل ضربه فقط شامل مرکزیت و مقیاس بندی است، به عنوان مثال، هیچ تبدیل log.

ارگ
`use_posterior`	بولی. اگر `True` ، توزیع پسین ضربه افزایشی محاسبه می شود. در غیر این صورت، توزیع قبلی محاسبه می شود.
`new_media`	تانسور اختیاری با ابعاد جغرافیایی و کانال مطابق با `InputData.media` . بعد زمان لازم نیست با ابعاد زمانی `InputData.media` مطابقت داشته باشد، زیرا می توان رسانه را فراتر از `InputData.time` ارائه شده در نظر گرفت. اگر داده‌های `new_XXX` دیگری با تعداد دوره‌های زمانی متفاوت از `InputData` ارائه شده باشد، الزامی است.
`new_reach`	تانسور اختیاری با ابعاد جغرافیایی و کانال مطابق با `InputData.reach` . بعد زمان لازم نیست با ابعاد زمانی `InputData.reach` مطابقت داشته باشد، زیرا می توان دسترسی را فراتر از `InputData.time` ارائه شده در نظر گرفت. اگر داده‌های `new_XXX` دیگری با تعداد دوره‌های زمانی متفاوت از `InputData` ارائه شده باشد، الزامی است.
`new_frequency`	تانسور اختیاری با ابعاد جغرافیایی و کانال مطابق با `InputData.frequency` . بعد زمان لازم نیست با ابعاد زمانی `InputData.frequency` مطابقت داشته باشد، زیرا می توان فرکانس را فراتر از `InputData.time` ارائه شده در نظر گرفت. اگر داده‌های `new_XXX` دیگری با تعداد دوره‌های زمانی متفاوت از `InputData` ارائه شده باشد، الزامی است.
`new_revenue_per_kpi`	تانسور اختیاری با بعد جغرافیایی منطبق بر درآمد_در هر کیلو بر اینچ. اگر داده‌های `new_XXX` دیگری با تعداد دوره‌های زمانی متفاوت از `InputData` ارائه شده باشد، الزامی است.
`scaling_factor0`	شناور. عاملی که براساس آن سناریوی خلاف واقع "Media_0" در طول دوره های زمانی مشخص شده در `media_selected_times` مقیاس بندی می شود. باید غیر منفی و کمتر از `scaling_factor1` باشد.
`scaling_factor1`	شناور. عاملی که بر اساس آن "Media_1" در طول دوره های زمانی انتخاب شده مشخص شده در `media_selected_times` مقیاس بندی می شود. باید غیر منفی و بزرگتر از `scaling_factor0` باشد.
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری شامل زیرمجموعه‌ای از تاریخ‌ها برای گنجاندن یا بولی با طولی برابر با تعداد دوره‌های زمانی در args `new_XXX` ، در صورت ارائه. تاثیر افزایشی مربوط به KPI افزایشی است که در طول آرگ `selected_times` توسط رسانه اجرا شده در طول `media_selected_times` arg تولید می‌شود. توجه داشته باشید که اگر `use_kpi=False` ، سپس `selected_times` فقط می‌تواند شامل دوره‌های زمانی باشد که داده‌های ورودی `revenue_per_kpi` دارند. به‌طور پیش‌فرض، همه دوره‌های زمانی درج شده است که داده‌های `revenue_per_kpi` در دسترس است.
`media_selected_times`	فهرست اختیاری شامل زیرمجموعه‌ای از تاریخ‌ها برای گنجاندن یا بولی با طولی برابر با تعداد دوره‌های زمانی در `new_media` ، در صورت ارائه. اگر `new_media` ارائه شده باشد، `media_selected_times` می تواند هر زیر مجموعه ای از دوره های زمانی را در `new_media` انتخاب کند. اگر `new_media` ارائه نشده باشد، `media_selected_times` از `InputData.time` انتخاب می‌کند. تاثیر افزایشی مربوط به KPI افزایشی است که در طول آرگ `selected_times` توسط رسانه اجرا شده در طول `media_selected_times` arg تولید می‌شود. برای هر کانال، تأثیر افزایشی به عنوان تفاوت بین KPI مورد انتظار تعریف می‌شود، زمانی که اجرای رسانه توسط `scaling_factor1` و `scaling_factor0` در طول این دوره‌های زمانی مشخص شده مقیاس‌بندی می‌شود. به‌طور پیش‌فرض، تفاوت بین رسانه در سطوح اجرای تاریخی، یا همانطور که در `new_media` ارائه شده است، در مقابل اجرای صفر است. پیش‌فرض شامل تمام دوره‌های زمانی است.
`aggregate_geos`	بولی. اگر `True` ، تأثیر افزایشی در تمام مناطق خلاصه می شود.
`aggregate_times`	بولی. اگر `True` ، تأثیر افزایشی در تمام دوره‌های زمانی جمع می‌شود.
`inverse_transform_impact`	بولی. اگر `True` ، تأثیر مورد انتظار را در KPI یا درآمد اصلی (بسته به آنچه که به `use_kpi` ارسال می‌شود) برمی‌گرداند، همانطور که به `InputData` ارسال شده است. اگر نادرست باشد، تأثیر را پس از تبدیل توسط `KpiTransformer` برمی‌گرداند، و نحوه نمایش آن را در مدل نشان می‌دهد.
`use_kpi`	بولی. اگر `use_kpi = True` ، KPI مورد انتظار محاسبه می شود. در غیر این صورت درآمد مورد انتظار `(kpi * revenue_per_kpi)` محاسبه می شود. لازم است که `use_kpi = True` اگر داده‌های `revenue_per_kpi` در دسترس نیست یا اگر `inverse_transform_impact = False` .
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
تانسور تأثیر افزایشی (اعم از KPI یا درآمد، بسته به آرگومان `use_kpi` ) با ابعاد `(n_chains, n_draws, n_geos, n_times, n_channels)` که در آن `n_channels` تعداد کل رسانه ها و کانال های RF است. اگر `aggregate_geos=True` یا `aggregate_times=True` باشد، ابعاد `n_geos` و `n_times` حذف می شوند.

افزایش می دهد
`NotFittedModelError`	اگر `sample_posterior()` (برای `use_posterior=True` ) یا `sample_prior()` (برای `use_posterior=False` ) قبل از فراخوانی این متد فراخوانی نشده باشد.
`ValueError`	اگر آرگومان های `new_media` شکل تانسور مشابه رسانه را نداشته باشند.

`marginal_roi`

مشاهده منبع

marginal_roi(
    incremental_increase: float = 0.01,
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_media_spend: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_rf_spend: (tf.Tensor | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    by_reach: bool = True,
    use_kpi: bool = False,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> (tf.Tensor | None)

ROI حاشیه ای توزیع قبلی یا پسین را محاسبه می کند.

شمارش‌کننده ROI حاشیه‌ای (mROI) تغییر در نتیجه مورد انتظار ( kpi یا kpi * revenue_per_kpi ) است که هزینه‌های یک کانال به کسری کوچک افزایش می‌یابد. مخرج mROI کسر کوچک مربوط به کل هزینه کانال است. وقتی revenue_per_kpi در دسترس نیست، change_in_outcome / spend معادل change_in_revenue / spend با این فرض که revenue_per_kpi=1 است.

ارگ
`incremental_increase`	کسری کوچک که هزینه هر کانال هنگام محاسبه شمارشگر mROI آن افزایش می یابد. مخرج mROI این کسری از کل هزینه کانال است. فقط در صورتی استفاده می شود که حاشیه `True` باشد.
`use_posterior`	اگر `True` ، توزیع پسین محاسبه می شود. در غیر این صورت، توزیع قبلی محاسبه می شود.
`new_media`	اختیاری. داده‌های رسانه با شکل مشابه `meridian.input_data.media` . برای محاسبه mROI برای داده های رسانه جایگزین استفاده می شود. پیش فرض از `meridian.input_data.media` استفاده می کند.
`new_media_spend`	اختیاری. رسانه ها داده هایی را با شکل مشابه `meridian.input_data.spend` مصرف می کنند. برای محاسبه mROI برای داده های `media_spend` جایگزین استفاده می شود. پیش‌فرض از `meridian.input_data.media_spend` استفاده می‌کند.
`new_reach`	اختیاری. به داده هایی با شکل مشابه `meridian.input_data.reach` دسترسی پیدا کنید. برای محاسبه mROI برای داده های دسترسی جایگزین استفاده می شود. پیش فرض از `meridian.input_data.reach` استفاده می کند.
`new_frequency`	اختیاری. داده‌های فرکانس با شکل مشابه `meridian.input_data.frequency` . برای محاسبه mROI برای داده های فرکانس جایگزین استفاده می شود. پیش‌فرض از `meridian.input_data.frequency` استفاده می‌کند.
`new_rf_spend`	اختیاری. RF داده ها را با همان شکل `meridian.input_data.rf_spend` خرج کنید. برای محاسبه mROI برای داده های جایگزین `rf_spend` استفاده می شود. پیش فرض از `meridian.input_data.rf_spend` استفاده می کند.
`selected_geos`	اختیاری. شامل زیرمجموعه‌ای از geos برای گنجاندن است. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	اختیاری. شامل زیرمجموعه ای از زمان ها برای درج است. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	اگر `True` ، درآمد مورد انتظار در تمام مناطق جمع می شود.
`aggregate_times`	اگر `True` ، درآمد مورد انتظار در تمام دوره های زمانی جمع می شود.
`by_reach`	برای یک کانال با دسترسی و فرکانس استفاده می شود. اگر `True` ، mROI را با رسیدن به یک فرکانس ثابت معین برمی‌گرداند. اگر `False` ، mROI را بر اساس فرکانس برای یک دسترسی ثابت معین برمی گرداند.
`use_kpi`	اگر `True` ، از درآمد برای محاسبه شمارشگر mROI استفاده می شود. در غیر این صورت، از KPI برای محاسبه شمارشگر mROI استفاده می کند.
`batch_size`	حداکثر کشش در هر زنجیره در هر دسته. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
تانسور مقادیر mROI با ابعاد `(n_chains, n_draws, n_geos, n_times, (n_media_channels + n_rf_channels))` . اگر `aggregate_geos=True` یا `aggregate_times=True` باشد، ابعاد `n_geos` و `n_times` حذف می شوند.

`media_summary_metrics`

مشاهده منبع

media_summary_metrics(
    marginal_roi_by_reach: bool = True,
    marginal_roi_incremental_increase: float = 0.01,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    optimal_frequency: (Sequence[float] | None) = None,
    use_kpi: bool = False,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> xr.Dataset

معیارهای خلاصه رسانه را برمی‌گرداند.

توجه داشته باشید که معیارهای mroi و effectiveness ( math.nan ) برای بعد مجموع کانال "All Channels" تعریف نشده اند.

ارگ
`marginal_roi_by_reach`	بولی. ROI حاشیه ای (mROI) به عنوان بازده دلار خرج شده بعدی تعریف می شود. اگر این استدلال `True` باشد، فرض بر این است که دلار بعدی که خرج می‌شود تنها بر روی رسیدن تأثیر می‌گذارد و فرکانس را ثابت نگه می‌دارد. اگر این استدلال `False` باشد، فرض بر این است که دلار بعدی صرف شده تنها بر فرکانس تأثیر می گذارد و رسیدن به آن ثابت نگه داشته می شود.
`marginal_roi_incremental_increase`	کسری کوچک که هزینه هر کانال هنگام محاسبه شمارشگر mROI آن افزایش می یابد. مخرج mROI این کسری از کل هزینه کانال است.
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری حاوی زیرمجموعه ای از زمان ها. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	بولی. اگر `True` ، نتیجه مورد انتظار در تمام مناطق جمع می شود.
`aggregate_times`	بولی. اگر `True` ، نتیجه مورد انتظار در تمام دوره های زمانی جمع می شود.
`optimal_frequency`	یک لیست اختیاری با ابعاد `n_rf_channels` ، حاوی فرکانس بهینه در هر کانال، که میانگین Roi پسین را به حداکثر می‌رساند. مقدار پیش‌فرض `None` است و فرکانس تاریخی برای محاسبه معیارها استفاده می‌شود.
`use_kpi`	بولی. اگر `True` ، معیارهای خلاصه رسانه با استفاده از KPI محاسبه می‌شوند. اگر `False` ، معیارها با استفاده از درآمد محاسبه می‌شوند.
`confidence_level`	سطح اطمینان برای فواصل معتبر معیارهای خلاصه رسانه، که به صورت مقداری بین صفر و یک نمایش داده می‌شود.
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
یک `xr.Dataset` با مختصات: `channel` ، `metric` ( `mean` ، `median` ، `ci_low` ، `ci_high` )، `distribution` (قبلی، پسین) و حاوی متغیرهای داده زیر است: `impressions` ، `pct_of_impressions` ، `spend` ، `pct_of_spend` ، `CPM` ، `incremental_impact` ، `roi` `effectiveness` `pct_of_contribution` , `mroi` , `cpik` .

`optimal_freq`

مشاهده منبع

optimal_freq(
    freq_grid: (Sequence[float] | None) = None,
    use_posterior: bool = True,
    selected_geos: (Sequence[str | int] | None) = None,
    selected_times: (Sequence[str | int] | None) = None,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL
) -> xr.Dataset

فرکانس بهینه را محاسبه می کند که میانگین ROI خلفی را به حداکثر می رساند.

برای این بهینه‌سازی، هزینه‌های تاریخی استفاده می‌شود و ثابت می‌شود، و فرکانس برای ثابت بودن در تمام مناطق جغرافیایی و دوره‌های زمانی محدود می‌شود. دسترسی برای هر منطقه جغرافیایی و دوره زمانی محاسبه می‌شود، به طوری که با تغییر فراوانی، تعداد نمایش‌ها بدون تغییر باقی می‌ماند. مریدین فرکانس هایی را که در آن ROI متوسط خلفی بهینه می شود، حل می کند.

ارگ
`freq_grid`	فهرست مقادیر فرکانس ROI هر کانال برای هر مقدار فرکانس در لیست محاسبه می شود. به طور پیش فرض، لیست شامل اعداد از `1.0` تا حداکثر فرکانس با افزایش `0.1` است.
`use_posterior`	بولی. اگر `True` ، فرکانس‌های بهینه پسین تولید می‌شوند. اگر `False` ، فرکانس‌های بهینه قبلی تولید می‌شوند.
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری حاوی زیرمجموعه ای از زمان ها. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`confidence_level`	سطح اطمینان برای فواصل معتبر قبلی و پسین، به عنوان مقداری بین صفر و یک نمایش داده می شود.

برمی گرداند

برمی گرداند
یک مجموعه داده xarray که شامل: * مختصات: `frequency` ، `rf_channel` ، `metric` ( `mean` ، `median` ، `ci_lo` ، `ci_hi` ). * متغیرهای داده: * `optimal_frequency` : بسامدی که میانگین پسینی ROI را بهینه می‌کند. * `roi` : ROI برای هر مقدار فرکانس در `freq_grid` . * `optimized_incremental_impact` : تاثیر افزایشی بر اساس فرکانس بهینه. * `optimized_pct_of_contribution` : درصد مشارکت بر اساس فرکانس بهینه. * `optimized_effectiveness` : اثربخشی بر اساس فرکانس بهینه. * `optimized_roi` : ROI بر اساس فرکانس بهینه. * `optimized_mroi_by_reach` : ROI حاشیه ای با تغییر کمی در دسترسی و فرکانس ثابت در فرکانس بهینه. * `optimized_mroi_by_frequency` : ROI حاشیه ای با یک تغییر کوچک در فرکانس بهینه و دسترسی ثابت. * `optimized_cpik` : CPIK بر اساس فرکانس بهینه.

یک مجموعه داده xarray که شامل: * مختصات: frequency ، rf_channel ، metric ( mean ، median ، ci_lo ، ci_hi ). * متغیرهای داده: * optimal_frequency : بسامدی که میانگین پسینی ROI را بهینه می‌کند. * roi : ROI برای هر مقدار فرکانس در freq_grid . * optimized_incremental_impact : تاثیر افزایشی بر اساس فرکانس بهینه. * optimized_pct_of_contribution : درصد مشارکت بر اساس فرکانس بهینه. * optimized_effectiveness : اثربخشی بر اساس فرکانس بهینه. * optimized_roi : ROI بر اساس فرکانس بهینه. * optimized_mroi_by_reach : ROI حاشیه ای با تغییر کمی در دسترسی و فرکانس ثابت در فرکانس بهینه. * optimized_mroi_by_frequency : ROI حاشیه ای با یک تغییر کوچک در فرکانس بهینه و دسترسی ثابت. * optimized_cpik : CPIK بر اساس فرکانس بهینه.

افزایش می دهد
`NotFittedModelError`	اگر `sample_posterior()` (برای `use_posterior=True` ) یا `sample_prior()` (برای `use_posterior=False` ) قبل از فراخوانی این متد فراخوانی نشده باشد.
`ValueError`	اگر کانالی با داده های دسترسی و فرکانس وجود ندارد.

`predictive_accuracy`

مشاهده منبع

predictive_accuracy(
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> xr.Dataset

معیارهای برازش R-Squared ، MAPE و wMAPE را محاسبه می کند.

R-Squared ، MAPE (میانگین درصد خطای مطلق)، و wMAPE (خطای درصد مطلق وزنی) در مقیاس درآمد ( KPI * revenue_per_kpi ) زمانی که revenue_per_kpi مشخص شده است، یا مقیاس KPI زمانی که revenue_per_kpi = None محاسبه می شود. این همان مقیاسی است که در شمارشگر ROI (درآمد افزایشی) استفاده می شود.

خطاهای پیش‌بینی در wMAPE با درآمد واقعی وزن‌گذاری می‌شوند ( KPI * revenue_per_kpi ) زمانی که revenue_per_kpi مشخص می‌شود، یا با مقیاس KPI وزن می‌شوند زمانی که revenue_per_kpi = None . این بدان معناست که درصد خطاهای زمانی که درآمد زیاد است وزن بیشتری نسبت به خطاهای زمانی که درآمد کم است، دارد.

R-Squared ، MAPE و wMAPE هم در سطح مدل (یک مشاهده در هر دوره جغرافیایی و زمانی) و هم در سطح ملی (تجمیع KPI یا نتیجه درآمد در مناطق جغرافیایی بنابراین یک مشاهده در هر دوره زمانی) محاسبه می‌شوند.

R-Squared ، MAPE و wMAPE برای نمونه کامل محاسبه می شود. اگر شی مدل دارای مشاهدات نگهدارنده باشد، آنگاه R-squared ، MAPE و wMAPE نیز برای زیر مجموعه‌های Train و Test محاسبه می‌شوند.

ارگ
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری حاوی زیرمجموعه‌ای از تاریخ‌ها برای گنجاندن. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. به طور پیش فرض، `batch_size` `100` است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند

برمی گرداند
یک مجموعه داده xarray حاوی مقادیر محاسبه‌شده `R_Squared` ، `MAPE` ، و `wMAPE` ، با مختصات `metric` ، `geo_granularity` ، `evaluation_set` ، و `value` متغیر داده همراه. اگر `holdout_id` وجود داشته باشد، داده‌ها به زیربخش‌های `'Train'` ، `'Test'` و `'All Data'` تقسیم می‌شوند و سه معیار برای هر کدام محاسبه می‌شود.

یک مجموعه داده xarray حاوی مقادیر محاسبه‌شده R_Squared ، MAPE ، و wMAPE ، با مختصات metric ، geo_granularity ، evaluation_set ، و value متغیر داده همراه. اگر holdout_id وجود داشته باشد، داده‌ها به زیربخش‌های 'Train' ، 'Test' و 'All Data' تقسیم می‌شوند و سه معیار برای هر کدام محاسبه می‌شود.

`r_hat_summary`

مشاهده منبع

r_hat_summary(
    bad_r_hat_threshold: float = 1.2
) -> pd.DataFrame

خلاصه ای از مقادیر R-hat را برای هر پارامتر در مدل محاسبه می کند.

کاهش مقیاس بالقوه Gelman & Rubin (1992) را برای همگرایی زنجیره ای محاسبه می کند که معمولاً به عنوان R-hat نامیده می شود. این یک معیار تشخیصی همگرایی است که درجه ای را اندازه می گیرد که واریانس (میانگین) بین زنجیره ها از آنچه انتظار دارید اگر زنجیره ها به طور یکسان توزیع شوند را اندازه می گیرد. مقادیر نزدیک به 1.0 نشان دهنده همگرایی است. R-hat < 1.2 نشان دهنده همگرایی تقریبی است و یک آستانه معقول برای بسیاری از مشکلات است (Brooks & Gelman, 1998).

مراجع
اندرو گلمن و دونالد بی روبین. استنتاج از شبیه سازی تکراری با استفاده از توالی های متعدد. علوم آماری، 7 (4): 457-472، 1992. Stephen P. Brooks and Andrew Gelman. روش های عمومی برای نظارت بر همگرایی شبیه سازی های تکراری. مجله آمار محاسباتی و گرافیکی، 7(4)، 1377.

مراجع

اندرو گلمن و دونالد بی روبین. استنتاج از شبیه سازی تکراری با استفاده از توالی های متعدد. علوم آماری، 7 (4): 457-472، 1992. Stephen P. Brooks and Andrew Gelman. روش های عمومی برای نظارت بر همگرایی شبیه سازی های تکراری. مجله آمار محاسباتی و گرافیکی، 7(4)، 1377.

ارگ
`bad_r_hat_threshold`	آستانه تعیین اینکه کدام مقادیر R-hat بد در نظر گرفته می شوند.

برمی گرداند

برمی گرداند
یک DataFrame با ستون های زیر: `n_params` : تعداد پارامترهای مربوطه در مدل. `avg_rhat` : میانگین مقدار R-hat برای پارامتر مربوطه. `n_params` : تعداد پارامترهای مربوطه در مدل. `avg_rhat` : میانگین مقدار R-hat برای پارامتر مربوطه. `max_rhat` : حداکثر مقدار R-hat برای پارامتر مربوطه. `percent_bad_rhat` `bad_r_hat_threshold` `row_idx_bad_rhat` : شاخص های ردیف مقادیر R-hat که بزرگتر از `bad_r_hat_threshold` هستند. `col_idx_bad_rhat` : شاخص های ستون مقادیر R-hat که بزرگتر از `bad_r_hat_threshold` هستند.

یک DataFrame با ستون های زیر:

n_params : تعداد پارامترهای مربوطه در مدل.
avg_rhat : میانگین مقدار R-hat برای پارامتر مربوطه.
n_params : تعداد پارامترهای مربوطه در مدل.
avg_rhat : میانگین مقدار R-hat برای پارامتر مربوطه.
max_rhat : حداکثر مقدار R-hat برای پارامتر مربوطه.
percent_bad_rhat bad_r_hat_threshold
row_idx_bad_rhat : شاخص های ردیف مقادیر R-hat که بزرگتر از bad_r_hat_threshold هستند.
col_idx_bad_rhat : شاخص های ستون مقادیر R-hat که بزرگتر از bad_r_hat_threshold هستند.

افزایش می دهد
`NotFittedModelError`	اگر قبل از فراخوانی این متد `self.sample_posterior()` فراخوانی نشود.
`ValueError`	اگر تعداد ابعاد آرایه R-hat برای یک پارامتر `1` یا `2` نباشد.

`response_curves`

مشاهده منبع

response_curves(
    spend_multipliers: (list[float] | None) = None,
    use_posterior: bool = True,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    by_reach: bool = True,
    use_optimal_frequency: bool = False,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> xr.Dataset

روش تولید منحنی پاسخ xarray.Dataset.

منحنی‌های پاسخ در سطح ملی با فرض الگوی پرواز تاریخی در طول جغرافیایی و دوره‌های زمانی برای هر کانال رسانه محاسبه می‌شوند. فهرستی از ضریب‌ها برای کل هزینه‌های تاریخی هر کانال رسانه اعمال می‌شود تا x-values که در آن منحنی پاسخ کانال محاسبه می‌شود، به دست آید.

ارگ
`spend_multipliers`	لیست ضرب کننده ها کل هزینه هر کانال در این عوامل ضرب می شود تا مقادیری که منحنی برای آن کانال محاسبه می شود به دست آید.
`use_posterior`	بولی. اگر `True` ، منحنی‌های پاسخ خلفی ایجاد می‌شوند. اگر `False` ، منحنی های پاسخ قبلی ایجاد می شوند.
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری شامل زیرمجموعه‌ای از ابعاد زمانی برای گنجاندن. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است. رشته ها و اعداد صحیح بعد زمانی باید با `Meridian.n_times` هماهنگ شوند.
`by_reach`	بولی. برای کانال های با دسترسی و فرکانس. اگر `True` ، منحنی پاسخ را بر اساس دسترسی رسم می کند. اگر `False` ، منحنی پاسخ را بر اساس فرکانس رسم می کند.
`use_optimal_frequency`	اگر `True` ، از فرکانس بهینه برای رسم منحنی های پاسخ استفاده می کند. پیش فرض ها به `False` .
`confidence_level`	سطح اطمینان برای فواصل معتبر قبلی و پسین، به عنوان مقداری بین صفر و یک نمایش داده می شود.
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
یک `xarray.Dataset` حاوی داده های مورد نیاز برای تجسم منحنی های پاسخ.

`roi`

مشاهده منبع

roi(
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_media_spend: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_rf_spend: (tf.Tensor | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    use_kpi: bool = False,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

توزیع ROI قبلی یا پسین را برای هر کانال رسانه محاسبه می کند.

شمارشگر ROI تغییر در نتیجه مورد انتظار است ( kpi یا kpi * revenue_per_kpi ) زمانی که هزینه یک کانال روی صفر تنظیم می شود و هزینه تمام کانال های دیگر بدون تغییر باقی می ماند. مخرج ROI کل هزینه کانال است. وقتی revenue_per_kpi در دسترس نیست، change_in_outcome / spend معادل change_in_revenue / spend با این فرض که revenue_per_kpi=1 است.

ارگ
`use_posterior`	بولی. اگر `True` ، توزیع پسین محاسبه می شود. در غیر این صورت، توزیع قبلی محاسبه می شود.
`new_media`	اختیاری. داده‌های رسانه با شکل مشابه `meridian.input_data.media` . برای محاسبه ROI برای داده های رسانه جایگزین استفاده می شود. پیش فرض از `meridian.input_data.media` استفاده می کند.
`new_media_spend`	اختیاری. رسانه ها داده هایی را با شکل مشابه `meridian.input_data.spend` مصرف می کنند. برای محاسبه ROI برای داده های `media_spend` جایگزین استفاده می شود. پیش‌فرض از `meridian.input_data.media_spend` استفاده می‌کند.
`new_reach`	اختیاری. به داده هایی با شکل مشابه `meridian.input_data.reach` دسترسی پیدا کنید. برای محاسبه ROI برای داده های دسترسی جایگزین استفاده می شود. پیش فرض از `meridian.input_data.reach` استفاده می کند.
`new_frequency`	اختیاری. داده‌های فرکانس با شکل مشابه `meridian.input_data.frequency` . برای محاسبه ROI برای داده های فرکانس جایگزین استفاده می شود. پیش‌فرض از `meridian.input_data.frequency` استفاده می‌کند.
`new_rf_spend`	اختیاری. RF داده ها را با همان شکل `meridian.input_data.rf_spend` خرج کنید. برای محاسبه ROI برای داده های جایگزین `rf_spend` استفاده می شود. پیش فرض از `meridian.input_data.rf_spend` استفاده می کند.
`selected_geos`	لیست اختیاری حاوی زیرمجموعه ای از موقعیت های جغرافیایی برای گنجاندن. به طور پیش فرض، تمام جغرافیایی گنجانده شده است.
`selected_times`	فهرست اختیاری حاوی زیرمجموعه ای از زمان ها. به طور پیش فرض، تمام دوره های زمانی گنجانده شده است.
`aggregate_geos`	بولی. اگر `True` ، درآمد مورد انتظار در تمام مناطق جمع می شود.
`aggregate_times`	بولی. اگر `True` ، درآمد مورد انتظار در تمام دوره های زمانی جمع می شود.
`use_kpi`	اگر `True` ، از درآمد برای محاسبه شمارش ROI استفاده می شود. در غیر این صورت، از KPI برای محاسبه شمارش ROI استفاده می کند.
`batch_size`	عدد صحیح نشان دهنده حداکثر کشش در هر زنجیره در هر دسته است. محاسبه به صورت دسته‌ای انجام می‌شود تا از فرسودگی حافظه جلوگیری شود. اگر خطای حافظه رخ داد، سعی کنید `batch_size` کاهش دهید. محاسبه معمولاً با مقادیر `batch_size` بزرگتر سریعتر خواهد بود.

برمی گرداند
تانسور مقادیر ROI با ابعاد `(n_chains, n_draws, n_geos, n_times, (n_media_channels + n_rf_channels))` . اگر `aggregate_geos=True` یا `aggregate_times=True` باشد، ابعاد `n_geos` و `n_times` حذف می شوند.

meridian.analysis.analyzer.analyzer با مجموعه‌ها، منظم بمانید ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.

کلاس های کودک

روش ها

adstock_decay

baseline_summary_metrics

cpik

expected_outcome

expected_vs_actual_data

filter_and_aggregate_geos_and_times

get_aggregated_impressions

get_r_hat

hill_curves

incremental_impact

marginal_roi

media_summary_metrics

optimal_freq

predictive_accuracy

r_hat_summary

response_curves

roi

meridian.analysis.analyzer.analyzer

`adstock_decay`

`baseline_summary_metrics`

`cpik`

`expected_outcome`

`expected_vs_actual_data`

`filter_and_aggregate_geos_and_times`

`get_aggregated_impressions`

`get_r_hat`

`hill_curves`

`incremental_impact`

`marginal_roi`

`media_summary_metrics`

`optimal_freq`

`predictive_accuracy`

`r_hat_summary`

`response_curves`

`roi`