文件名称：tfcausalimpact:基于Google R包的Python因果影响实现。 使用TensorFlow概率构建
文件大小：2.16MB
文件格式：ZIP
更新时间：2024-05-03 12:10:01
python causal-inference tensorflow-probability causalimpact Python
因果关系 基于实现的Google算法。 这个怎么运作 该算法基本上适合过去观察到的数据的模型，以对未来的数据进行预测。 过去的数据包括干预之前发生的所有事情（通常是变量的存在与否变化，例如在给定时间点开始进行的营销活动）。 然后，它将反事实（预测）序列与实际观察到的序列进行比较，以提取统计结论。 运行模型非常简单，它需要观察到的数据y ，协变量X ，以通过线性回归来帮助模型， pre-period间隔选择干预之前发生的一切， post-period包含“影响”之后的数据发生了 有关此主题的更多，请参考此中篇。 安装 pip install tfcausalimpact 要求 python {3.6，3.7，3.8} matplotlib jinja2 tensorflow> = 2.3.0 tensorflow_probability> = 0.11.0 入门 我们建议由Kay
【文件预览】：
tfcausalimpact-master
----setup.py(3KB)
----.gitignore(2KB)
----causalimpact()
--------plot.py(5KB)
--------inferences.py(14KB)
--------__init__.py(664B)
--------__version__.py(594B)
--------summary.py(3KB)
--------misc.py(4KB)
--------summary()
--------main.py(15KB)
--------model.py(21KB)
--------data.py(16KB)
----test-requirements.txt(12B)
----.travis.yml(594B)
----MANIFEST.in(85B)
----LICENSE(11KB)
----setup.cfg(105B)
----notebooks()
--------R()
--------tfcausal_plot_original_example.png(55KB)
--------getting_started.ipynb(2.38MB)
--------tfcausal_plot_example.png(129KB)
----stubs()
--------tensorflow_probability()
----scripts()
--------build_wheels.sh(465B)
----README.md(8KB)
----tests()
--------conftest.py(2KB)
--------test_misc.py(2KB)
--------test_summary.py(5KB)
--------test_plot.py(33KB)
--------test_inferences.py(15KB)
--------test_main.py(14KB)
--------test_data.py(17KB)
--------fixtures()
--------test_model.py(12KB)
----pytest.ini(113B)
----.coveragerc(148B)
----.gitattributes(35B)
----.flake8(139B)
----tox.ini(950B)