LogisticRegression¶

類 pyspark.ml.classification。 LogisticRegression ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,麥克斯特:int=One hundred.,regParam:浮動=0.0,elasticNetParam:浮動=0.0,托爾:浮動=1 e-06,fitIntercept:bool=真正的,閾值:浮動=0.5,閾值:可選(列表(浮動]]=沒有一個,probabilityCol:str=“概率”,rawPredictionCol:str=“rawPrediction”,標準化:bool=真正的,weightCol:可選(str]=沒有一個,aggregationDepth:int=2,家庭:str=“汽車”,lowerBoundsOnCoefficients:可選(pyspark.ml.linalg.Matrix]=沒有一個,upperBoundsOnCoefficients:可選(pyspark.ml.linalg.Matrix]=沒有一個,lowerBoundsOnIntercepts:可選(pyspark.ml.linalg.Vector]=沒有一個,upperBoundsOnIntercepts:可選(pyspark.ml.linalg.Vector]=沒有一個,maxBlockSizeInMB:浮動=0.0 ) ¶

邏輯回歸。這類支持多項物流(softmax)和二項邏輯回歸。

例子

           > > >從pyspark.sql進口行> > >從pyspark.ml.linalg進口向量> > >快速公車提供=sc。並行化([…行(標簽=1.0,重量=1.0,特性=向量。密集的(0.0,5.0)),…行(標簽=0.0,重量=2.0,特性=向量。密集的(1.0,2.0)),…行(標簽=1.0,重量=3.0,特性=向量。密集的(2.0,1.0)),…行(標簽=0.0,重量=4.0,特性=向量。密集的(3.0,3.0))))。toDF()> > >blor=LogisticRegression(weightCol=“重量”)> > >blor。getRegParam()0.0> > >blor。setRegParam(0.01)LogisticRegression……> > >blor。getRegParam()0.01> > >blor。setMaxIter(10)LogisticRegression……> > >blor。getMaxIter()10> > >blor。清晰的(blor。麥克斯特)> > >blorModel=blor。適合(快速公車提供)> > >blorModel。setFeaturesCol(“特征”)LogisticRegressionModel……> > >blorModel。setProbabilityCol(“newProbability”)LogisticRegressionModel……> > >blorModel。getProbabilityCol()“newProbability”> > >blorModel。getMaxBlockSizeInMB()0.0> > >blorModel。setThreshold(0.1)LogisticRegressionModel……> > >blorModel。getThreshold()0.1> > >blorModel。係數DenseVector ([-1.080…,-0.646……)> > >blorModel。攔截3.112……> > >blorModel。評估(快速公車提供)。精度= =blorModel。總結。精度真正的> > >data_path=“數據/ mllib / sample_multiclass_classification_data.txt”> > >mdf=火花。讀。格式(“libsvm”)。負載(data_path)> > >mlor=LogisticRegression(regParam=0.1,elasticNetParam=1.0,家庭=“多項”)> > >mlorModel=mlor。適合(mdf)> > >mlorModel。coefficientMatrixSparseMatrix (3、4、[0, 1, 2, 3], [3,2,1], [1.87……,-2.75……,-0.50……),1)> > >mlorModel。interceptVectorDenseVector ([0.04…,-0.42……,0。37...])> > >電平=sc。並行化([行(特性=向量。密集的(- - - - - -1.0,1.0))))。toDF()> > >blorModel。預測(電平。頭()。特性)1.0> > >blorModel。predictRaw(電平。頭()。特性)DenseVector ([-3.54…,3.54……)> > >blorModel。predictProbability(電平。頭()。特性)DenseVector ([0.028, 0.972])> > >結果=blorModel。變換(電平)。頭()> > >結果。預測1.0> > >結果。newProbabilityDenseVector ([0.02…,0.97……)> > >結果。rawPredictionDenseVector ([-3.54…,3.54……)> > >test1=sc。並行化([行(特性=向量。稀疏的(2,(0),(1.0)))))。toDF()> > >blorModel。變換(test1)。頭()。預測1.0> > >blor。setparam(“向量”)回溯(最近的電話):…TypeError:關鍵字參數方法setparam力量。> > >lr_path=temp_path+“/ lr”> > >blor。保存(lr_path)> > >lr2=LogisticRegression。負載(lr_path)> > >lr2。getRegParam()0.01> > >model_path=temp_path+“/ lr_model”> > >blorModel。保存(model_path)> > >model2=LogisticRegressionModel。負載(model_path)> > >blorModel。係數(0]= =model2。係數(0]真正的> > >blorModel。攔截= =model2。攔截真正的> > >model2LogisticRegressionModel: uid =…numClasses = 2, numFeatures = 2> > >blorModel。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。
`getAggregationDepth`()	得到的價值aggregationDepth或其默認值。
`getElasticNetParam`()	得到的價值elasticNetParam或其默認值。
`getFamily`()	獲得的價值`家庭`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。
`getLowerBoundsOnCoefficients`()	獲得的價值`lowerBoundsOnCoefficients`
`getLowerBoundsOnIntercepts`()	獲得的價值`lowerBoundsOnIntercepts`
`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。
`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。
`getStandardization`()	被標準化的價值或其默認值。
`getThreshold`()	獲得二進製分類閾值。
`getThresholds`()	如果`閾值`設置,返回其值。
`getTol`()	被托爾的價值或其默認值。
`getUpperBoundsOnCoefficients`()	獲得的價值`upperBoundsOnCoefficients`
`getUpperBoundsOnIntercepts`()	獲得的價值`upperBoundsOnIntercepts`
`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。
`setAggregationDepth`(值)	設置的值`aggregationDepth`。
`setElasticNetParam`(值)	設置的值`elasticNetParam`。
`setFamily`(值)	設置的值`家庭`。
`setFeaturesCol`(值)	設置的值`featuresCol`。
`setFitIntercept`(值)	設置的值`fitIntercept`。
`setLabelCol`(值)	設置的值`labelCol`。
`setLowerBoundsOnCoefficients`(值)	設置的值`lowerBoundsOnCoefficients`
`setLowerBoundsOnIntercepts`(值)	設置的值`lowerBoundsOnIntercepts`
`setMaxBlockSizeInMB`(值)	設置的值`maxBlockSizeInMB`。
`setMaxIter`(值)	設置的值`麥克斯特`。
`setparam`(* [,labelCol featuresCol…))	setparam(自我,*,featuresCol =“特性”,labelCol =“標簽”,predictionCol =“預測”,麥克斯特= 100,regParam = 0.0, elasticNetParam = 0.0, tol = 1 e-6, fitIntercept = True,閾值= 0.5,=沒有閾值,probabilityCol =“概率”,rawPredictionCol =“rawPrediction”,標準化= True, weightCol = None, aggregationDepth = 2,家庭=“汽車”,lowerBoundsOnCoefficients = None, upperBoundsOnCoefficients = None, lowerBoundsOnIntercepts = None, upperBoundsOnIntercepts = None, maxBlockSizeInMB = 0.0):集邏輯回歸的參數。
`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`。
`setStandardization`(值)	設置的值`標準化`。
`setThreshold`(值)	設置的值`閾值`。
`setThresholds`(值)	設置的值`閾值`。
`setTol`(值)	設置的值`托爾`。
`setUpperBoundsOnCoefficients`(值)	設置的值`upperBoundsOnCoefficients`
`setUpperBoundsOnIntercepts`(值)	設置的值`upperBoundsOnIntercepts`
`setWeightCol`(值)	設置的值`weightCol`。
`寫`()	返回一個MLWriter實例毫升實例。

屬性

`aggregationDepth`
`elasticNetParam`
`家庭`
`featuresCol`
`fitIntercept`
`labelCol`
`lowerBoundsOnCoefficients`
`lowerBoundsOnIntercepts`
`maxBlockSizeInMB`
`麥克斯特`
`參數個數`	返回所有參數命令的名字。
`predictionCol`
`probabilityCol`
`rawPredictionCol`
`regParam`
`標準化`
`閾值`
`閾值`
`托爾`
`upperBoundsOnCoefficients`
`upperBoundsOnIntercepts`
`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。

getAggregationDepth ( )→int¶: 得到的價值aggregationDepth或其默認值。

getElasticNetParam ( )→浮動¶: 得到的價值elasticNetParam或其默認值。

getFamily ( )→str¶: 獲得的價值家庭或其默認值。

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。

getLowerBoundsOnCoefficients ( )→pyspark.ml.linalg.Matrix ¶: 獲得的價值lowerBoundsOnCoefficients

getLowerBoundsOnIntercepts ( )→pyspark.ml.linalg.Vector ¶: 獲得的價值lowerBoundsOnIntercepts

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。

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。

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

getThreshold ( )→浮動¶

獲得二進製分類閾值。

如果閾值設置長度為2(即。,binary classification), this returns the equivalent threshold:\ \(壓裂{1}{1 + \壓裂{閾值(0)}{閾值(1)}}\)。否則,返回閾值如果設置如果設置或其默認值。

getThresholds ( )→列表(浮動] ¶: 如果閾值設置,返回其值。否則,如果閾值設置,返回對應的二進製分類閾值:(閾閾值)。如果沒有設置,拋出一個錯誤。

getTol ( )→浮動¶: 被托爾的價值或其默認值。

getUpperBoundsOnCoefficients ( )→pyspark.ml.linalg.Matrix ¶: 獲得的價值upperBoundsOnCoefficients

getUpperBoundsOnIntercepts ( )→pyspark.ml.linalg.Vector ¶: 獲得的價值upperBoundsOnIntercepts

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。

setAggregationDepth ( 價值:int )→pyspark.ml.classification.LogisticRegression ¶: 設置的值aggregationDepth。

setElasticNetParam ( 價值:浮動 )→pyspark.ml.classification.LogisticRegression ¶: 設置的值elasticNetParam。

setFamily ( 價值:str )→pyspark.ml.classification.LogisticRegression ¶: 設置的值家庭。

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

setFitIntercept ( 價值:bool )→pyspark.ml.classification.LogisticRegression ¶: 設置的值fitIntercept。

setLabelCol ( 價值:str )→P¶: 設置的值labelCol。

setLowerBoundsOnCoefficients ( 價值:pyspark.ml.linalg.Matrix )→pyspark.ml.classification.LogisticRegression ¶: 設置的值lowerBoundsOnCoefficients

setLowerBoundsOnIntercepts ( 價值:pyspark.ml.linalg.Vector )→pyspark.ml.classification.LogisticRegression ¶: 設置的值lowerBoundsOnIntercepts

setMaxBlockSizeInMB ( 價值:浮動 )→pyspark.ml.classification.LogisticRegression ¶: 設置的值maxBlockSizeInMB。

setMaxIter ( 價值:int )→pyspark.ml.classification.LogisticRegression ¶: 設置的值麥克斯特。

setparam ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,麥克斯特:int=One hundred.,regParam:浮動=0.0,elasticNetParam:浮動=0.0,托爾:浮動=1 e-06,fitIntercept:bool=真正的,閾值:浮動=0.5,閾值:可選(列表(浮動]]=沒有一個,probabilityCol:str=“概率”,rawPredictionCol:str=“rawPrediction”,標準化:bool=真正的,weightCol:可選(str]=沒有一個,aggregationDepth:int=2,家庭:str=“汽車”,lowerBoundsOnCoefficients:可選(pyspark.ml.linalg.Matrix]=沒有一個,upperBoundsOnCoefficients:可選(pyspark.ml.linalg.Matrix]=沒有一個,lowerBoundsOnIntercepts:可選(pyspark.ml.linalg.Vector]=沒有一個,upperBoundsOnIntercepts:可選(pyspark.ml.linalg.Vector]=沒有一個,maxBlockSizeInMB:浮動=0.0 )→pyspark.ml.classification.LogisticRegression ¶: setparam(自我,*,featuresCol =“特性”,labelCol =“標簽”,predictionCol =“預測”,麥克斯特= 100,regParam = 0.0, elasticNetParam = 0.0, tol = 1 e-6, fitIntercept = True,閾值= 0.5,=沒有閾值,probabilityCol =“概率”,rawPredictionCol =“rawPrediction”,標準化= True, weightCol = None, aggregationDepth = 2,家庭=“汽車”,lowerBoundsOnCoefficients = None, upperBoundsOnCoefficients = None, lowerBoundsOnIntercepts = None, upperBoundsOnIntercepts = None, maxBlockSizeInMB = 0.0):集邏輯回歸的參數。如果閾值和閾值參數都設置,它們必須是等價的。

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.LogisticRegression ¶: 設置的值regParam。

setStandardization ( 價值:bool )→pyspark.ml.classification.LogisticRegression ¶: 設置的值標準化。

setThreshold ( 價值:浮動 )→P¶: 設置的值閾值。清除的價值閾值如果它被設置。

setThresholds ( 價值:列表(浮動] )→P¶: 設置的值閾值。

setTol ( 價值:浮動 )→pyspark.ml.classification.LogisticRegression ¶: 設置的值托爾。

setUpperBoundsOnCoefficients ( 價值:pyspark.ml.linalg.Matrix )→pyspark.ml.classification.LogisticRegression ¶: 設置的值upperBoundsOnCoefficients

setUpperBoundsOnIntercepts ( 價值:pyspark.ml.linalg.Vector )→pyspark.ml.classification.LogisticRegression ¶: 設置的值upperBoundsOnIntercepts

setWeightCol ( 價值:str )→pyspark.ml.classification.LogisticRegression ¶: 設置的值weightCol。

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)。) ¶

elasticNetParam =參數(父母=‘定義’,name = ' elasticNetParam ', doc = ' ElasticNet混合參數,在區間[0,1]。L2為α= 0,懲罰是一種懲罰。L1為α= 1,這是一個點球。”) ¶

家庭 =參數(父母=‘定義’,name = '家庭',doc = '家人的名字標簽的描述是分布在模型中使用。支持選擇:汽車、二項、多項”) ¶

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。) ¶

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

lowerBoundsOnCoefficients =參數(父母=‘定義’,name = ' lowerBoundsOnCoefficients ', doc = '的下界如果綁定約束優化下擬合係數。約束矩陣必須兼容的形狀(1、功能)二項式回歸,或(數量的類,數量的特性)多項式回歸。”) ¶

lowerBoundsOnIntercepts =參數(父母=‘定義’,name = ' lowerBoundsOnIntercepts ', doc = '攔截,如果合適的上下界約束優化。邊界向量的大小必須與1 beequal二項式回歸,或為多項式回歸oflasses數量。”) ¶

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。) ¶

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)”。) ¶

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 =參數(父母=‘定義’,name =“閾值”,醫生= '閾值以二進製分類預測,在區間[0,1]。如果閾值和閾值都是,他們必須match.e.g。如果閾值p,那麼閾值必須等於1 - p, p。”) ¶

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)”。) ¶

upperBoundsOnCoefficients =參數(父母=‘定義’,name = ' upperBoundsOnCoefficients ', doc = '的上界如果綁定約束優化下擬合係數。約束矩陣必須兼容的形狀(1、功能)二項式回歸,或(數量的類,數量的特性)多項式回歸。”) ¶

upperBoundsOnIntercepts =參數(父母=‘定義’,name = ' upperBoundsOnIntercepts ', doc = '的上界攔截如果配件在綁定約束優化。綁定向量的大小必須等於1二項式回歸,或為多項式回歸類的數量。”) ¶

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

LinearSVCTrainingSummary

下一個

LogisticRegressionModel