MultilayerPerceptronClassifier

類 pyspark.ml.classification。 MultilayerPerceptronClassifier ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,麥克斯特:int=One hundred.,托爾:浮動=1 e-06,種子:可選(int]=沒有一個,層:可選(列表(int]]=沒有一個,blockSize:int=128年,stepSize:浮動=0.03,解算器:str=“l-bfgs”,initialWeights:可選(pyspark.ml.linalg.Vector]=沒有一個,probabilityCol:str=“概率”,rawPredictionCol:str=“rawPrediction” )

分類器訓練基於多層感知器。每一層有乙狀結腸激活函數,輸出層softmax。數量必須等於輸入特征向量的大小。輸出的數量必須等於總數量的標簽。

例子

> > >從pyspark.ml.linalg進口向量> > >df=火花。createDataFrame([…(0.0,向量。密集的([0.0,0.0))),…(1.0,向量。密集的([0.0,1.0))),…(1.0,向量。密集的([1.0,0.0))),…(0.0,向量。密集的([1.0,1.0)))),(“標簽”,“特征”])> > >中長期規劃=MultilayerPerceptronClassifier(層=(2,2,2),種子=123年)> > >中長期規劃。setMaxIter(One hundred.)MultilayerPerceptronClassifier……> > >中長期規劃。getMaxIter()One hundred.> > >中長期規劃。getBlockSize()128年> > >中長期規劃。setBlockSize(1)MultilayerPerceptronClassifier……> > >中長期規劃。getBlockSize()1> > >模型=中長期規劃。適合(df)> > >模型。setFeaturesCol(“特征”)MultilayerPerceptronClassificationModel……> > >模型。getMaxIter()One hundred.> > >模型。getLayers()(2,2,2)> > >模型。權重。大小12> > >testDF=火花。createDataFrame([…(向量。密集的([1.0,0.0),),…(向量。密集的([0.0,0.0),),(“特征”])> > >模型。預測(testDF。頭()。特性)1.0> > >模型。predictRaw(testDF。頭()。特性)DenseVector ([-16.208, 16.344])> > >模型。predictProbability(testDF。頭()。特性)DenseVector ([0.0, 1.0])> > >模型。變換(testDF)。選擇(“特征”,“預測”)。顯示()+ - - - - - - - - - - - - - - - - - - - - - - - +| | |特性預測+ - - - - - - - - - - - - - - - - - - - - - - - +[1.0,0.0]| | 1.0 |[0.0,0.0]| | 0.0 |+ - - - - - - - - - - - - - - - - - - - - - - - +…> > >mlp_path=temp_path+中長期規劃“/”> > >中長期規劃。保存(mlp_path)> > >mlp2=MultilayerPerceptronClassifier。負載(mlp_path)> > >mlp2。getBlockSize()1> > >model_path=temp_path+“/ mlp_model”> > >模型。保存(model_path)> > >model2=MultilayerPerceptronClassificationModel。負載(model_path)> > >模型。getLayers()= =model2。getLayers()真正的> > >模型。權重= =model2。權重真正的> > >模型。變換(testDF)。取(1)= =model2。變換(testDF)。取(1)真正的> > >mlp2=mlp2。setInitialWeights(列表(範圍(0,12)))> > >model3=mlp2。適合(df)> > >model3。權重! =model2。權重真正的> > >model3。getLayers()= =模型。getLayers()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。
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)。
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。
setBlockSize(值)	設置的值blockSize。
setFeaturesCol(值)	設置的值featuresCol。
setInitialWeights(值)	設置的值initialWeights。
setLabelCol(值)	設置的值labelCol。
setLayers(值)	設置的值層。
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,tol = 1 e-6,種子= None,層= None, blockSize = 128, stepSize = 0.03,解算器=“l-bfgs initialWeights = None, probabilityCol =“概率”,rawPredictionCol =“rawPrediction”):集MultilayerPerceptronClassifier參數。
setPredictionCol(值)	設置的值predictionCol。
setProbabilityCol(值)	設置的值probabilityCol。
setRawPredictionCol(值)	設置的值rawPredictionCol。
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

blockSize
featuresCol
initialWeights
labelCol
層
麥克斯特
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

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。

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)。

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。

setBlockSize ( 價值:int )→pyspark.ml.classification.MultilayerPerceptronClassifier

設置的值blockSize。

setFeaturesCol ( 價值:str )→P

設置的值featuresCol。

setInitialWeights ( 價值:pyspark.ml.linalg.Vector )→pyspark.ml.classification.MultilayerPerceptronClassifier

設置的值initialWeights。

setLabelCol ( 價值:str )→P

設置的值labelCol。

setLayers ( 價值:列表(int] )→pyspark.ml.classification.MultilayerPerceptronClassifier

設置的值層。

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

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.,托爾:浮動=1 e-06,種子:可選(int]=沒有一個,層:可選(列表(int]]=沒有一個,blockSize:int=128年,stepSize:浮動=0.03,解算器:str=“l-bfgs”,initialWeights:可選(pyspark.ml.linalg.Vector]=沒有一個,probabilityCol:str=“概率” )→pyspark.ml.classification.MultilayerPerceptronClassifier

setparam(自我,*,featuresCol =“特性”,labelCol =“標簽”,predictionCol =“預測”,麥克斯特= 100,tol = 1 e-6,種子= None,層= None, blockSize = 128, stepSize = 0.03,解算器=“l-bfgs initialWeights = None, probabilityCol =“概率”,rawPredictionCol =“rawPrediction”):集MultilayerPerceptronClassifier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。

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

設置的值種子。

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

設置的值解算器。

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

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.MultilayerPerceptronClassifier

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

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。)

initialWeights =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 =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。)

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 =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)”。)

以前的

NaiveBayesModel

下一個

MultilayerPerceptronClassificationModel