prueba_de_elevación

Añadiendo pruebas de elevación como observaciones de la función de saturación.

Esto proporciona el funcionamiento interno del método MMM.add_lift_test_measurements. Otros métodos pueden ser MMM.add_cost_per_target_calibration. Utilice cualquiera de estos métodos directamente al trabajar con la clase MMM.

Funciones

add_cost_per_target_observations(...[, ...])	Add observed Normal likelihood to calibrate cost-per-target.
add_cost_per_target_potentials(calibration_df, *)	Call add_cost_per_target_observations() with a deprecation warning.
add_lift_measurements_to_likelihood_from_saturation(...)	Agregue las medidas de elevación a la probabilidad de una transformación de saturación.
add_saturation_observations(df_lift_test, ...)	Agregue observaciones de saturación a la probabilidad del modelo.
assert_is_subset(requerido, disponible)	Verifique si el conjunto disponible es un subconjunto del conjunto requerido.
assert_monotonic(delta_x, delta_y)	Verifique si los resultados de la prueba del ascensor satisfacen la suposición de aumento.
create_time_varying_saturation(saturación, ...)	Devolver la función y el mapeo de variables que utilizan una variable que varía con el tiempo.
exact_row_indices(df, modelo)	Obtenga los índices en el modelo para cada fila en el DataFrame.
scale_channel_lift_measurements(...[, dim_cols] )	Escalar las medidas de elevación para un canal específico.
scale_lift_measurements(df_lift_test, ...[, ...])	Escalar el DataFrame con los resultados de la prueba de elevación para ser utilizados en el modelo.
scale_target_for_lift_measurements(objetivo, ...)	Escale el objetivo para las mediciones de elevación.

Excepciones

MissingValueError(valores_faltantes, ...)	Error cuando faltan valores de un conjunto requerido.
NonMonotonicError	Los datos no son monótonos.
UnalignedValuesError(valores_no_alineados)	Se levantó cuando algunos valores no están alineados.