LinearSVCTrainingSummary

pyspark.ml.classification。 LinearSVCTrainingSummary ( java_obj:可選(JavaObject]=沒有一個 )

抽象LinearSVC培訓結果。

方法

fMeasureByLabel([測試])

為每個標簽返回f-measure(類別)。

weightedFMeasure([測試])

加權平均f-measure回報。

屬性

精度

返回的準確性。

areaUnderROC

計算接受者操作特征(ROC)曲線下的麵積。

fMeasureByThreshold

返回一個dataframe與兩個字段(閾值,F-Measure)曲線與β= 1.0。

falsePositiveRateByLabel

返回假陽性率為每個標簽(類別)。

labelCol

在“預測”,讓每個實例的真正的標簽。

標簽

返回標簽按升序的順序。

objectiveHistory

目標函數(按比例縮小的損失+正規化)在每個迭代。

公關

返回precision-recall曲線,它是一個包含兩個字段Dataframe記得,精度(0.0,1.0)前綴。

precisionByLabel

回報精度為每個標簽(類別)。

precisionByThreshold

返回一個dataframe與兩個字段(閾值,精度)曲線。

predictionCol

在“預測”,給了每個類的預測。

預測

Dataframe模型的輸出變換方法。

recallByLabel

為每個標簽返回召回(類別)。

recallByThreshold

返回一個dataframe與兩個字段(閾值,召回)曲線。

中華民國

返回接受者操作特征(ROC)曲線,這是一個Dataframe有兩個字段(玻璃鋼,TPR)前綴(0.0,0.0)和(1.0,1.0)附加到它。

scoreCol

在“預測”,給了每個類的概率或生預測作為一個向量。

totalIterations

數量的訓練直到終止迭代。

truePositiveRateByLabel

返回true積極率為每個標簽(類別)。

weightCol

在“預測”,讓每個實例作為一個向量的重量。

weightedFalsePositiveRate

返回加權假陽性率。

weightedPrecision

返回加權平均精度。

weightedRecall

返回加權平均召回。

weightedTruePositiveRate

返回加權真陽性率。

方法的文檔

fMeasureByLabel ( β:浮動=1.0 )→列表(浮動]

為每個標簽返回f-measure(類別)。

weightedFMeasure ( β:浮動=1.0 )→浮動

加權平均f-measure回報。

屬性的文檔

精度

返回的準確性。(等於總數正確分類實例總數的實例)。

areaUnderROC

計算接受者操作特征(ROC)曲線下的麵積。

fMeasureByThreshold

返回一個dataframe與兩個字段(閾值,F-Measure)曲線與β= 1.0。

falsePositiveRateByLabel

返回假陽性率為每個標簽(類別)。

labelCol

在“預測”,讓每個實例的真正的標簽。

標簽

返回標簽按升序的順序。這個訂單與訂單用於度量在標簽指定為數組,例如,truePositiveRateByLabel。

筆記

在大多數情況下,它將值{0.0,1.0,…,numClasses-1},然而,如果訓練集是失蹤的一個標簽,那麼所有數組的標簽(例如,從truePositiveRateByLabel)將長度numClasses-1 numClasses相反的預期。

objectiveHistory

目標函數(按比例縮小的損失+正規化)在每個迭代。它包含一個元素,初始狀態,比的迭代次數。

公關

返回precision-recall曲線,它是一個包含兩個字段Dataframe記得,精度(0.0,1.0)前綴。

precisionByLabel

回報精度為每個標簽(類別)。

precisionByThreshold

返回一個dataframe與兩個字段(閾值,精度)曲線。每一個可能的概率獲得在轉換中使用的數據集作為閾值計算精度。

predictionCol

在“預測”,給了每個類的預測。

預測

Dataframe模型的輸出變換方法。

recallByLabel

為每個標簽返回召回(類別)。

recallByThreshold

返回一個dataframe與兩個字段(閾值,召回)曲線。每一個可能的概率獲得在轉換中使用的數據集作為閾值計算召回。

中華民國

返回接受者操作特征(ROC)曲線,這是一個Dataframe有兩個字段(玻璃鋼,TPR)前綴(0.0,0.0)和(1.0,1.0)附加到它。

筆記

維基百科參考

scoreCol

在“預測”,給了每個類的概率或生預測作為一個向量。

totalIterations

數量的訓練直到終止迭代。

truePositiveRateByLabel

返回true積極率為每個標簽(類別)。

weightCol

在“預測”,讓每個實例作為一個向量的重量。

weightedFalsePositiveRate

返回加權假陽性率。

weightedPrecision

返回加權平均精度。

weightedRecall

返回加權平均召回。(等於精度、召回和f-measure)

weightedTruePositiveRate

返回加權真陽性率。(等於精度、召回和f-measure)