HSGPKwargs#

class pymc_marketing.hsgp_kwargs.HSGPKwargs(**data)[fuente]#

Argumentos clave HSGP para el prior variable en el tiempo.

Vea [1] y [2] para el contexto teórico sobre el Proceso Gaussiano en Espacio de Hilbert (HSGP). Vea, [6] para una guía práctica del método utilizando ejemplos de código. Consulte la clase HSGP para obtener más información sobre el Proceso Gaussiano en Espacio de Hilbert en PyMC. También recomendamos los siguientes recursos para una introducción más práctica al HSGP: [3], [4], [5].

Parámetros:
mint

Número de funciones base. El valor predeterminado es 200.

L : float, opcionalpython:flotante, opcional

Extensión de las funciones base. Establezca esto para reflejar el rango esperado de datos dentro y fuera de la muestra (considerando que los índices de tiempo están centrados en cero). El valor predeterminado es X_mid * 2 (idéntico a c=2 en HSGP). Por defecto, es None.

eta_lamfloat

Prior exponencial para la varianza. El valor predeterminado es 1.

ls_mufloat

Media de la prior gamma inversa para la escala de longitud. El valor predeterminado es 5.

ls_sigmafloat

Desviación estándar de la prior gamma inversa para la escala de longitud. El valor predeterminado es 5.

cov_funcCovFunc, optional

Covariance function enum. Supported values: ExpQuad, Matern52, Matern32. By default it is None (resolved to Matern52 at model-build time).

Referencias

[1]

Solin, A., Sarkka, S. (2019) Métodos de Espacio de Hilbert para la Regresión de Procesos Gaussianos de Rango Reducido.

[2]

Ruitort-Mayol, G., Anderson, M., Solin, A., y Vehtari, A. (2022). Procesos Gaussianos Bayesianos Aproximados en Espacios de Hilbert Prácticos para Programación Probabilística.

[4]

Galería de Ejemplos de PyMC: «Procesos Gaussianos: Uso Avanzado de HSGP».

[5]

Galería de Ejemplos de PyMC: «Modelado de Nacimientos de Bebés con HSGPs».

Métodos

HSGPKwargs.__init__(**data)

Cree un nuevo modelo analizando y validando los datos de entrada de los argumentos de palabras clave.

HSGPKwargs.construct([_fields_set])

HSGPKwargs.copy(*[, incluir, excluir, ...])

Devuelve una copia del modelo.

HSGPKwargs.dict(*[, incluir, excluir, ...])

HSGPKwargs.from_orm(obj)

HSGPKwargs.json(*[, incluir, excluir, ...])

HSGPKwargs.model_construct([_fields_set])

Crea una nueva instancia de la clase Model con datos validados.

HSGPKwargs.model_copy(*[, actualizar, profundo])

!!! abstract "Documentación de Uso"

HSGPKwargs.model_dump(*[, modo, incluir, ...])

!!! abstract "Documentación de Uso"

HSGPKwargs.model_dump_json(*[, indent, ...])

!!! abstract "Documentación de Uso"

HSGPKwargs.model_json_schema([por_alias, ...])

Genera un esquema JSON para una clase de modelo.

HSGPKwargs.model_parametrized_name(params)

Calcule el nombre de la clase para parametrizaciones de clases genéricas.

HSGPKwargs.model_post_init(context, /)

Sobrescriba este método para realizar una inicialización adicional después de __init__ y model_construct.

HSGPKwargs.model_rebuild(*[, fuerza, ...])

Intente reconstruir el esquema de pydantic-core para el modelo.

HSGPKwargs.model_validate(obj, *[, estricto, ...])

Valide una instancia de modelo pydantic.

HSGPKwargs.model_validate_json(json_data, *)

!!! abstract "Documentación de Uso"

HSGPKwargs.model_validate_strings(obj, *[, ...])

Valide el objeto dado con datos de cadena contra el modelo de Pydantic.

HSGPKwargs.parse_file(ruta, *[, ...])

HSGPKwargs.parse_obj(obj)

HSGPKwargs.parse_raw(b, *[, tipo_de_contenido, ...])

HSGPKwargs.schema([por_alias, ref_template])

HSGPKwargs.schema_json(*[, by_alias, ...])

HSGPKwargs.update_forward_refs(**localns)

HSGPKwargs.validate(valor)

Atributos

model_computed_fields

model_config

Configuración para el modelo, debe ser un diccionario que cumpla con [ConfigDict][pydantic.config.ConfigDict].

model_extra

Obtener campos adicionales establecidos durante la validación.

model_fields

model_fields_set

Devuelve el conjunto de campos que han sido establecidos explícitamente en esta instancia del modelo.

m

L

eta_lam

ls_mu

ls_sigma

cov_func