BaseValidateMMM

class pymc_marketing.mmm.base.BaseValidateMMM(date_column=FieldInfo(annotation=NoneType, required=True, description='Column name of the date variable.'), channel_columns=FieldInfo(annotation=NoneType, required=True, description='Column names of the media channel variables.', metadata=[MinLen(min_length=1)]), model_config=FieldInfo(annotation=NoneType, required=False, default=None, description='Model configuration.'), sampler_config=FieldInfo(annotation=NoneType, required=False, default=None, description='Sampler configuration.'))

Clase base con alguna validación de las entradas.

Métodos

BaseValidateMMM.__init__([date_column, ...])	Inicializar la configuración del modelo y la configuración del muestreador para el modelo.
BaseValidateMMM.approximate_fit(X[, y, ...])	Ajuste un modelo utilizando Inferencia Variacional y devuelva InferenceData.
BaseValidateMMM.attrs_to_init_kwargs(attrs)	Convierte la configuración del modelo y la configuración del muestreador de los atributos a argumentos de palabra clave.
BaseValidateMMM.build_from_idata(idata)	Construir el modelo a partir del objeto InferenceData.
BaseValidateMMM.build_model(X, y, **kwargs)	Cree una instancia de pm.Model basada en los datos proporcionados y en model_config.
BaseValidateMMM.compute_channel_contribution_original_scale([prior])	Calcule las contribuciones del canal en la escala original de la variable objetivo.
BaseValidateMMM.compute_mean_contributions_over_time([...])	Obtenga las contribuciones de cada canal a lo largo del tiempo.
BaseValidateMMM.create_fit_data(X, y)	Cree el grupo fit_data basado en los datos de entrada.
BaseValidateMMM.create_idata_attrs()	Cree atributos para los datos de inferencia.
BaseValidateMMM.fit(X[, y, barra de progreso, ...])	Ajuste un modelo utilizando los datos pasados como parámetro.
BaseValidateMMM.get_channel_contribution_share_samples([anterior])	Obtenga la participación de las contribuciones del canal en la escala original de la variable objetivo.
BaseValidateMMM.get_errors([original_scale])	Obtener la distribución posterior de errores del modelo.
BaseValidateMMM.get_target_transformer()	Devuelve la tubería del transformador objetivo utilizada para el preprocesamiento de la variable objetivo.
BaseValidateMMM.graphviz(**kwargs)	Obtenga la representación graphviz del modelo.
BaseValidateMMM.idata_to_init_kwargs(idata)	Cree la configuración del modelo y la configuración del muestreador a partir de InferenceData a argumentos de palabras clave.
BaseValidateMMM.load(fname[, check])	Cree una instancia de ModelBuilder a partir de un archivo.
BaseValidateMMM.load_from_idata(idata[, check])	Cree una instancia de ModelBuilder a partir de un objeto InferenceData.
BaseValidateMMM.plot_channel_contribution_share_hdi([...])	Trace la participación de las contribuciones del canal en un gráfico de bosque.
BaseValidateMMM.plot_components_contributions(...)	Trace la variable objetivo y los componentes del modelo predictivo posterior.
BaseValidateMMM.plot_errors([escala_original, ax])	Grafique los errores del modelo tomando la diferencia entre los valores verdaderos y los predichos.
BaseValidateMMM.plot_grouped_contribution_breakdown_over_time([...])	Trace un gráfico de área de series temporales para todas las contribuciones del canal.
BaseValidateMMM.plot_posterior_predictive([...])	Trace la distribución predictiva posterior del ajuste del modelo.
BaseValidateMMM.plot_prior_predictive([...])	Trace la distribución predictiva previa a partir del ajuste del modelo.
BaseValidateMMM.plot_prior_vs_posterior(var_name)	Trace la distribución previa frente a la distribución posterior para una variable especificada en un diseño de cuadrícula de 3 columnas.
BaseValidateMMM.plot_waterfall_components_decomposition([...])	Cree un gráfico de cascada.
BaseValidateMMM.post_sample_model_transformation()	Realice la transformación en el modelo después de muestrear.
BaseValidateMMM.predict([X, extend_idata])	Utilice un modelo para predecir sobre datos no vistos y devuelva la predicción puntual de todas las muestras.
BaseValidateMMM.predict_posterior([X, ...])	Generar muestras predictivas posteriores en datos no vistos.
BaseValidateMMM.predict_proba([X, ...])	Alias para predict_posterior, por consistencia con los estimadores probabilísticos de scikit-learn.
BaseValidateMMM.preprocess(objetivo, datos)	Preprocese los datos proporcionados de acuerdo con el objetivo especificado.
BaseValidateMMM.sample_posterior_predictive([...])	Muestra de la distribución predictiva posterior del modelo.
BaseValidateMMM.sample_prior_predictive([X, ...])	Muestra de la distribución predictiva previa del modelo.
BaseValidateMMM.save(fname, **kwargs)	Guarde los datos de inferencia del modelo en un archivo.
BaseValidateMMM.set_idata_attrs([idata])	Establecer atributos en un objeto InferenceData.
BaseValidateMMM.table(**model_table_kwargs)	Obtenga la tabla resumen del modelo.
BaseValidateMMM.validate(objetivo, datos)	Valide los datos de entrada según el tipo de destino especificado.
BaseValidateMMM.validate_channel_columns(datos)	Valide las columnas del canal.
BaseValidateMMM.validate_date_col(datos)	Valide la columna de fecha.
BaseValidateMMM.validate_target(datos)	Valide la columna objetivo.

Atributos

default_model_config	Devuelve un diccionario de configuración predeterminado de la clase.
default_sampler_config	Devuelve un diccionario de configuración del muestreador predeterminado de la clase.
fit_result	Obtenga el resultado de ajuste posterior fit_result.
id	Generar un valor hash único para el modelo.
methods	Obtenga todos los métodos del objeto.
output_var	Devuelve el nombre de la variable de salida del modelo.
posterior
posterior_predictive
predictions
preprocessing_methods	Una propiedad que proporciona métodos de preprocesamiento para las características ("X") y la variable objetivo ("y").
prior
prior_predictive
validation_methods	Una propiedad que proporciona métodos de validación para las características ("X") y la variable objetivo ("y").
version
model
idata
sampler_config
model_config
date_column
channel_columns