MultilayerPerceptronClassificationModel

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

由MultilayerPerceptronClassifier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。
getBlockSize()	得到的價值blockSize或其默認值。
getFeaturesCol()	得到的價值featuresCol或其默認值。
getInitialWeights()	得到的價值initialWeights或其默認值。
getLabelCol()	得到的價值labelCol或其默認值。
getLayers()	獲得的價值層或其默認值。
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。
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。
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。
predictProbability(值)	每個類的概率預測的功能。
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。
setProbabilityCol(值)	設置的值probabilityCol。
setRawPredictionCol(值)	設置的值rawPredictionCol。
setThresholds(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

blockSize
featuresCol
hasSummary	表明這個模型實例是否存在一個培訓總結。
initialWeights
labelCol
層
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
probabilityCol
rawPredictionCol
種子
解算器
stepSize
閾值
托爾
權重	層的權重。

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.MultilayerPerceptronClassificationSummary

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

getBlockSize ( )→int

得到的價值blockSize或其默認值。

getFeaturesCol ( )→str

得到的價值featuresCol或其默認值。

getInitialWeights ( )→pyspark.ml.linalg.Vector

得到的價值initialWeights或其默認值。

getLabelCol ( )→str

得到的價值labelCol或其默認值。

getLayers ( )→列表(int]

獲得的價值層或其默認值。

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。

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。

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。

predictProbability ( 價值:pyspark.ml.linalg.Vector )→pyspark.ml.linalg.Vector

每個類的概率預測的功能。

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。

setProbabilityCol ( 價值:str )→厘米

設置的值probabilityCol。

setRawPredictionCol ( 價值:str )→P

設置的值rawPredictionCol。

setThresholds ( 價值:列表(浮動] )→厘米

設置的值閾值。

總結 ( )→pyspark.ml.classification.MultilayerPerceptronClassificationTrainingSummary

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

blockSize =參數(父母=‘定義’,name = ' blockSize ', doc = '疊加輸入數據塊大小的矩陣。數據分區內堆放。如果超過剩餘的數據塊大小調整一個分區那麼這個數據的大小。)

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

hasSummary

表明這個模型實例是否存在一個培訓總結。

initialWeights :pyspark.ml.param.Param pyspark.ml.linalg.Vector =參數(父母=‘定義’,name = ' initialWeights ', doc =的初始權重模型。)

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

層 :pyspark.ml.param.Param(列表(int)) =參數(父母=‘定義’,name =“層”,醫生=”大小的層從輸入層到輸出層如數組(780、100、10)意味著780輸入,一個與100個神經元隱層和輸出層的神經元”。)

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。)

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”。)

種子 =參數(父母=‘定義’,name =“種子”,醫生=“隨機種子。”)

解算器 :pyspark.ml.param.Param (str) =參數(父母=‘定義’,name =“規劃求解”,醫生= '優化的求解算法。支持選擇:l-bfgs, gd。”)

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)”。)

權重

層的權重。

以前的

MultilayerPerceptronClassifier

下一個

MultilayerPerceptronClassificationSummary