LinearSVCModel¶

類 pyspark.ml.classification。 LinearSVCModel ( java_model:可選(JavaObject]=沒有一個 ) ¶

由LinearSVC模型擬合。

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。
`評估`(數據集)	評估模型的測試數據集。
`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。
`getAggregationDepth`()	得到的價值aggregationDepth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。
`getLabelCol`()	得到的價值labelCol或其默認值。
`getMaxBlockSizeInMB`()	得到的價值maxBlockSizeInMB或其默認值。
`getMaxIter`()	麥克斯特的價值或其默認值。
`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。
`getRawPredictionCol`()	得到的價值rawPredictionCol或其默認值。
`getRegParam`()	得到的價值regParam或其默認值。
`getStandardization`()	被標準化的價值或其默認值。
`getThreshold`()	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)。
`預測`(值)	預測給定特性的標簽。
`predictRaw`(值)	原始預測為每個可能的標簽。
`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。
`setFeaturesCol`(值)	設置的值`featuresCol`。
`setPredictionCol`(值)	設置的值`predictionCol`。
`setRawPredictionCol`(值)	設置的值`rawPredictionCol`。
`setThreshold`(值)	設置的值`閾值`。
`總結`()	總結(精度/精密/召回,客觀曆史,總迭代)模型在訓練集上訓練。
`變換`(數據集[params))	與可選參數轉換的輸入數據集。
`寫`()	返回一個MLWriter實例毫升實例。

屬性

`aggregationDepth`
`係數`	模型係數的線性支持向量機分類器。
`featuresCol`
`fitIntercept`
`hasSummary`	表明這個模型實例是否存在一個培訓總結。
`攔截`	模型線性SVM分類器的攔截。
`labelCol`
`maxBlockSizeInMB`
`麥克斯特`
`numClasses`	數量的類標簽可以(值)。
`numFeatures`	返回的數量特征模型訓練。
`參數個數`	返回所有參數命令的名字。
`predictionCol`
`rawPredictionCol`
`regParam`
`標準化`
`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

評估 ( 數據集:pyspark.sql.dataframe.DataFrame )→pyspark.ml.classification.LinearSVCSummary ¶

評估模型的測試數據集。

參數

數據集 pyspark.sql.DataFrame: 測試數據集對模型進行評估。

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

getAggregationDepth ( )→int¶: 得到的價值aggregationDepth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。

getLabelCol ( )→str¶: 得到的價值labelCol或其默認值。

getMaxBlockSizeInMB ( )→浮動¶: 得到的價值maxBlockSizeInMB或其默認值。

getMaxIter ( )→int¶: 麥克斯特的價值或其默認值。

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。

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。

getStandardization ( )→bool¶: 被標準化的價值或其默認值。

getThreshold ( )→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)。

預測 ( 價值:T )→浮動¶: 預測給定特性的標簽。

predictRaw ( 價值:pyspark.ml.linalg.Vector )→pyspark.ml.linalg.Vector ¶: 原始預測為每個可能的標簽。

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。

setFeaturesCol ( 價值:str )→P¶: 設置的值featuresCol。

setPredictionCol ( 價值:str )→P¶: 設置的值predictionCol。

setRawPredictionCol ( 價值:str )→P¶: 設置的值rawPredictionCol。

setThreshold ( 價值:浮動 )→pyspark.ml.classification.LinearSVCModel ¶: 設置的值閾值。

總結 ( )→pyspark.ml.classification.LinearSVCTrainingSummary ¶: 總結(精度/精密/召回,客觀曆史,總迭代)模型對訓練集訓練。如果是一個例外trainingSummary沒有。

變換 ( 數據集:pyspark.sql.dataframe.DataFrame,參數個數:可選(ParamMap]=沒有一個 )→pyspark.sql.dataframe.DataFrame¶

與可選參數轉換的輸入數據集。

參數

數據集 pyspark.sql.DataFrame: 輸入數據集
參數個數 東西,可選: 一個可選的參數覆蓋嵌入參數的地圖。

返回

pyspark.sql.DataFrame: 改變了數據集

寫 ( )→pyspark.ml.util.JavaMLWriter¶: 返回一個MLWriter實例毫升實例。

屬性的文檔

aggregationDepth =參數(父母=‘定義’,name = ' aggregationDepth ', doc =的建議深度treeAggregate (> = 2)。) ¶

係數 ¶: 模型係數的線性支持向量機分類器。

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。) ¶

hasSummary ¶: 表明這個模型實例是否存在一個培訓總結。

攔截 ¶: 模型線性SVM分類器的攔截。

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

maxBlockSizeInMB =參數(父母=‘定義’,name = ' maxBlockSizeInMB ',醫生在MB = '最大內存疊加輸入數據塊。數據分區內堆放。如果超過剩餘的數據大小的分區是調整大小的數據。默認0.0代表了選擇最優值,取決於特定的算法。必須> = 0”。) ¶

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。) ¶

numClasses ¶: 數量的類標簽可以(值)。

numFeatures ¶: 返回的數量特征模型訓練。如果未知,返回1

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。) ¶

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)”。) ¶

標準化 =參數(父母=‘定義’,name =“標準化”,醫生=是否規範培訓特性擬合模型之前。) ¶

閾值 :pyspark.ml.param.Param(浮動) =參數(父母=‘定義’,name =“閾值”,醫生= '以二進製分類閾值應用到線性模型預測。這個閾值可以是任何實數,正將所有預測0.0和1.0負無窮將使所有的預測。”) ¶

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

LinearSVC

下一個

LinearSVCSummary