FMClassifier

類 pyspark.ml.classification。 FMClassifier ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,probabilityCol:str=“概率”,rawPredictionCol:str=“rawPrediction”,factorSize:int=8,fitIntercept:bool=真正的,fitLinear:bool=真正的,regParam:浮動=0.0,miniBatchFraction:浮動=1.0,initStd:浮動=0.01,麥克斯特:int=One hundred.,stepSize:浮動=1.0,托爾:浮動=1 e-06,解算器:str=“adamW”,閾值:可選(列表(浮動]]=沒有一個,種子:可選(int]=沒有一個 )

分解機器學習算法的分類。

解算器支持:

• gd(正常mini-batch梯度下降法)

• adamW(默認)

例子

> > >從pyspark.ml.linalg進口向量> > >從pyspark.ml.classification進口FMClassifier> > >df=火花。createDataFrame([…(1.0,向量。密集的(1.0)),…(0.0,向量。稀疏的(1,[],[]))),(“標簽”,“特征”])> > >調頻=FMClassifier(factorSize=2)> > >調頻。setSeed(11)FMClassifier……> > >模型=調頻。適合(df)> > >模型。getMaxIter()One hundred.> > >電平=火花。createDataFrame([…(向量。密集的(- - - - - -1.0),),…(向量。密集的(0.5),),…(向量。密集的(1.0),),…(向量。密集的(2.0),),(“特征”])> > >模型。predictRaw(電平。頭()。特性)DenseVector ([22.13…,-22.13……)> > >模型。predictProbability(電平。頭()。特性)DenseVector ([1.0, 0.0])> > >模型。變換(電平)。選擇(“特征”,“概率”)。顯示(10,假)+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +| | |概率特性+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +| |[-1.0][0.9999999997574736,2.425264676902229平台以及]|[0.47627851732981163,0.5237214826701884][0.5]| | |(1.0)| | |(5.491554426243495的軍醫,0.9994508445573757)(2.0)| | |(2.005766663870645平台以及,0.9999999997994233)+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +…> > >模型。攔截-7.316665276826291> > >模型。線性DenseVector ([14.8232])> > >模型。因素DenseMatrix (1、2、[0.0163, -0.0051], 1)> > >model_path=temp_path+“/ fm_model”> > >模型。保存(model_path)> > >model2=FMClassificationModel。負載(model_path)> > >model2。攔截-7.316665276826291> > >model2。線性DenseVector ([14.8232])> > >model2。因素DenseMatrix (1、2、[0.0163, -0.0051], 1)> > >模型。變換(電平)。取(1)= =model2。變換(電平)。取(1)真正的

方法

清晰的(參數)	清除參數映射的參數是否被顯式地設置。
複製((額外的))	創建這個實例的副本具有相同uid和一些額外的參數。
explainParam(參數)	解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。
explainParams()	返回文檔的所有參數選擇默認值和用戶提供的值。
extractParamMap((額外的))	提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。
適合(數據集[params))	適合一個模型與可選參數的輸入數據集。
fitMultiple(paramMaps數據集)	適合一個模型為每個參數映射的輸入數據集paramMaps。
getFactorSize()	得到的價值factorSize或其默認值。
getFeaturesCol()	得到的價值featuresCol或其默認值。
getFitIntercept()	得到的價值fitIntercept或其默認值。
getFitLinear()	得到的價值fitLinear或其默認值。
getInitStd()	得到的價值initStd或其默認值。
getLabelCol()	得到的價值labelCol或其默認值。
getMaxIter()	麥克斯特的價值或其默認值。
getMiniBatchFraction()	得到的價值miniBatchFraction或其默認值。
getOrDefault(參數)	得到參數的值在用戶提供的參數映射或其默認值。
getParam(paramName)	通過它的名稱參數。
getPredictionCol()	得到的價值predictionCol或其默認值。
getProbabilityCol()	得到的價值probabilityCol或其默認值。
getRawPredictionCol()	得到的價值rawPredictionCol或其默認值。
getRegParam()	得到的價值regParam或其默認值。
getSeed()	種子的價值或其默認值。
getSolver()	得到解決的價值或其默認值。
getStepSize()	得到的價值stepSize或其默認值。
getThresholds()	得到的值閾值或其默認值。
getTol()	被托爾的價值或其默認值。
getWeightCol()	得到的價值weightCol或其默認值。
hasDefault(參數)	檢查是否一個參數有默認值。
hasParam(paramName)	測試這個實例包含一個參數是否與給定名稱(字符串)。
isDefined(參數)	檢查參數是否由用戶或顯式地設置一個默認值。
收取(參數)	檢查參數是否由用戶顯式地設置。
負載(路徑)	從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)。
讀()	返回一個MLReader這個類的實例。
保存(路徑)	這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。
集(參數值)	設置一個參數嵌入參數映射。
setFactorSize(值)	設置的值factorSize。
setFeaturesCol(值)	設置的值featuresCol。
setFitIntercept(值)	設置的值fitIntercept。
setFitLinear(值)	設置的值fitLinear。
setInitStd(值)	設置的值initStd。
setLabelCol(值)	設置的值labelCol。
setMaxIter(值)	設置的值麥克斯特。
setMiniBatchFraction(值)	設置的值miniBatchFraction。
setparam(自我,\ [,labelCol featuresCol…))	FMClassifier設置參數。
setPredictionCol(值)	設置的值predictionCol。
setProbabilityCol(值)	設置的值probabilityCol。
setRawPredictionCol(值)	設置的值rawPredictionCol。
setRegParam(值)	設置的值regParam。
setSeed(值)	設置的值種子。
setSolver(值)	設置的值解算器。
setStepSize(值)	設置的值stepSize。
setThresholds(值)	設置的值閾值。
setTol(值)	設置的值托爾。
寫()	返回一個MLWriter實例毫升實例。

屬性

factorSize
featuresCol
fitIntercept
fitLinear
initStd
labelCol
麥克斯特
miniBatchFraction
參數個數	返回所有參數命令的名字。
predictionCol
probabilityCol
rawPredictionCol
regParam
種子
解算器
stepSize
閾值
托爾
weightCol

方法的文檔

清晰的 ( 參數:pyspark.ml.param.Param )→沒有

清除參數映射的參數是否被顯式地設置。

複製 ( 額外的:可選(ParamMap]=沒有一個 )→摩根大通

創建這個實例的副本具有相同uid和一些額外的參數。這個實現第一次調用參數。複製and then make a copy of the companion Java pipeline component with extra params. So both the Python wrapper and the Java pipeline component get copied.

參數

額外的 東西,可選

額外參數複製到新實例

返回

JavaParams

這個實例的副本

explainParam ( 參數:聯盟(str,pyspark.ml.param.Param] )→str

解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。

explainParams ( )→str

返回文檔的所有參數選擇默認值和用戶提供的值。

extractParamMap ( 額外的:可選(ParamMap]=沒有一個 )→ParamMap

提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。

參數

額外的 東西,可選

額外的參數值

返回

dict

合並後的參數映射

適合 ( 數據集:pyspark.sql.dataframe.DataFrame,參數個數:聯盟[ParamMap、列表(ParamMap)元組(ParamMap),沒有一個)=沒有一個 )→聯盟(米,列表(米] ]

適合一個模型與可選參數的輸入數據集。

參數

數據集 pyspark.sql.DataFrame

輸入數據集。

參數個數 dict或列表或元組,可選的

一個可選的參數覆蓋嵌入參數的地圖。如果列表/元組的參數映射,這適用於每一個參數並返回一個列表的模型映射。

返回

變壓器或者一個列表變壓器

擬合模型(年代)

fitMultiple ( 數據集:pyspark.sql.dataframe.DataFrame,paramMaps:序列(ParamMap] )→迭代器(元組(int,米] ]

適合一個模型為每個參數映射的輸入數據集paramMaps。

參數

數據集 pyspark.sql.DataFrame

輸入數據集。

paramMaps collections.abc.Sequence

一係列的參數映射。

返回

_FitMultipleIterator

一個線程安全的iterable包含為每個參數映射模型。每次調用下一個(modelIterator)將返回(指數模型)模型是適合使用在哪裏paramMaps(指數)。指數值可能不是連續的。

getFactorSize ( )→int

得到的價值factorSize或其默認值。

getFeaturesCol ( )→str

得到的價值featuresCol或其默認值。

getFitIntercept ( )→bool

得到的價值fitIntercept或其默認值。

getFitLinear ( )→bool

得到的價值fitLinear或其默認值。

getInitStd ( )→浮動

得到的價值initStd或其默認值。

getLabelCol ( )→str

得到的價值labelCol或其默認值。

getMaxIter ( )→int

麥克斯特的價值或其默認值。

getMiniBatchFraction ( )→浮動

得到的價值miniBatchFraction或其默認值。

getOrDefault ( 參數:聯盟(str,pyspark.ml.param.Param(T]] )→聯盟(任何,T]

得到參數的值在用戶提供的參數映射或其默認值。如果沒有設置提出了一個錯誤。

getParam ( paramName:str )→pyspark.ml.param.Param

通過它的名稱參數。

getPredictionCol ( )→str

得到的價值predictionCol或其默認值。

getProbabilityCol ( )→str

得到的價值probabilityCol或其默認值。

getRawPredictionCol ( )→str

得到的價值rawPredictionCol或其默認值。

getRegParam ( )→浮動

得到的價值regParam或其默認值。

getSeed ( )→int

種子的價值或其默認值。

getSolver ( )→str

得到解決的價值或其默認值。

getStepSize ( )→浮動

得到的價值stepSize或其默認值。

getThresholds ( )→列表(浮動]

得到的值閾值或其默認值。

getTol ( )→浮動

被托爾的價值或其默認值。

getWeightCol ( )→str

得到的價值weightCol或其默認值。

hasDefault ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查是否一個參數有默認值。

hasParam ( paramName:str )→bool

測試這個實例包含一個參數是否與給定名稱(字符串)。

isDefined ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶或顯式地設置一個默認值。

收取 ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶顯式地設置。

classmethod 負載 ( 路徑:str )→RL

從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)。

classmethod 讀 ( )→pyspark.ml.util.JavaMLReader(RL]

返回一個MLReader這個類的實例。

保存 ( 路徑:str )→沒有

這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。

集 ( 參數:pyspark.ml.param.Param,價值:任何 )→沒有

設置一個參數嵌入參數映射。

setFactorSize ( 價值:int )→pyspark.ml.classification.FMClassifier

設置的值factorSize。

setFeaturesCol ( 價值:str )→P

設置的值featuresCol。

setFitIntercept ( 價值:bool )→pyspark.ml.classification.FMClassifier

設置的值fitIntercept。

setFitLinear ( 價值:bool )→pyspark.ml.classification.FMClassifier

設置的值fitLinear。

setInitStd ( 價值:浮動 )→pyspark.ml.classification.FMClassifier

設置的值initStd。

setLabelCol ( 價值:str )→P

設置的值labelCol。

setMaxIter ( 價值:int )→pyspark.ml.classification.FMClassifier

設置的值麥克斯特。

setMiniBatchFraction ( 價值:浮動 )→pyspark.ml.classification.FMClassifier

設置的值miniBatchFraction。

setparam ( 自我,\ *,featuresCol = "特性",labelCol = "標簽",predictionCol = "預測",probabilityCol =“概率”,rawPredictionCol = " rawPrediction ",factorSize = 8,fitIntercept = True,fitLinear = True,regParam = 0.0,miniBatchFraction = 1.0,initStd = 0.01,麥克斯特= 100,stepSize = 1.0,托爾= 1 e-6,解算器= " adamW ",閾值=沒有,種子=沒有 )

FMClassifier設置參數。

setPredictionCol ( 價值:str )→P

設置的值predictionCol。

setProbabilityCol ( 價值:str )→P

設置的值probabilityCol。

setRawPredictionCol ( 價值:str )→P

設置的值rawPredictionCol。

setRegParam ( 價值:浮動 )→pyspark.ml.classification.FMClassifier

設置的值regParam。

setSeed ( 價值:int )→pyspark.ml.classification.FMClassifier

設置的值種子。

setSolver ( 價值:str )→pyspark.ml.classification.FMClassifier

設置的值解算器。

setStepSize ( 價值:浮動 )→pyspark.ml.classification.FMClassifier

設置的值stepSize。

setThresholds ( 價值:列表(浮動] )→P

設置的值閾值。

setTol ( 價值:浮動 )→pyspark.ml.classification.FMClassifier

設置的值托爾。

寫 ( )→pyspark.ml.util.JavaMLWriter

返回一個MLWriter實例毫升實例。

屬性的文檔

factorSize =參數(父母=‘定義’,name = ' factorSize ', doc =的係數向量的維數,用於得到兩兩變量之間的相互作用的)

featuresCol =參數(父母=‘定義’,name = ' featuresCol ', doc =功能列名稱。)

fitIntercept =參數(父母=‘定義’,name = ' fitIntercept ', doc =是否適合一個截距項。)

fitLinear =參數(父母=‘定義’,name = ' fitLinear ', doc =是否適合線性項)”(即1路的詞)

initStd =參數(父母=‘定義’,name = ' initStd ', doc =初始係數的標準差)

labelCol =參數(父母=‘定義’,name = ' labelCol ', doc =“標簽列名。”)

麥克斯特 =參數(父母=‘定義’,name =“麥克斯特”,醫生=“馬克斯(> = 0)的迭代次數。)

miniBatchFraction =參數(父母=‘定義’,name = ' miniBatchFraction ', doc =分數的輸入數據集應該用於一個迭代的梯度下降法)

參數個數

返回所有參數命令的名字。默認實現使用dir ()所有的屬性類型參數。

predictionCol =參數(父母=‘定義’,name = ' predictionCol ', doc =預測列名稱。)

probabilityCol =參數(父母=‘定義’,name = ' probabilityCol ', doc = '列名為預測類條件概率。注意:並不是所有的模型輸出精確校準的概率估計!這些概率應該被視為機密,而不是精確的概率。”)

rawPredictionCol =參數(父母=‘定義’,name = ' rawPredictionCol ', doc =“原始預測(又名信心)列名”。)

regParam =參數(父母=‘定義’,name = ' regParam ', doc =“正則化參數(> = 0)”。)

種子 =參數(父母=‘定義’,name =“種子”,醫生=“隨機種子。”)

解算器 =參數(父母=‘定義’,name =“規劃求解”,醫生= '優化的求解算法。支持選擇:adamW gd。(默認adamW)”)

stepSize =參數(父母=‘定義’,name = ' stepSize ', doc =的每個迭代步長用於優化(> = 0)”。)

閾值 =參數(父母=‘定義’,name =“閾值”,醫生=“多層次分類閾值調整的概率預測每個類。數組長度必須等於類的數量,最多值> 0,除了一個值可能是0。類最大的值p / t是預測,p是原始類和t的概率是類的門檻。”)

托爾 =參數(父母=‘定義’,name =“托爾”,醫生=迭代算法的收斂公差(> = 0)”。)

weightCol =參數(父母=‘定義’,name = ' weightCol ', doc = '體重列名。如果這不是設置或空,我們對所有實例權重為1.0。”)

以前的

OneVsRestModel

下一個

FMClassificationModel