NaiveBayesModel

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

由NaiveBayes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。

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。

getFeaturesCol()

得到的價值featuresCol或其默認值。

getLabelCol()

得到的價值labelCol或其默認值。

getModelType()

得到的價值modelType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。

getSmoothing()

得到平滑的價值或其默認值。

getThresholds()

得到的值閾值或其默認值。

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。

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。

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

featuresCol

labelCol

modelType

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。

π

日誌類先驗的。

predictionCol

probabilityCol

rawPredictionCol

σ

每個特性的差異。

平滑

θ

日誌的類條件概率。

閾值

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

getFeaturesCol ( )→str

得到的價值featuresCol或其默認值。

getLabelCol ( )→str

得到的價值labelCol或其默認值。

getModelType ( )→str

得到的價值modelType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。

getSmoothing ( )→浮動

得到平滑的價值或其默認值。

getThresholds ( )→列表(浮動]

得到的值閾值或其默認值。

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。

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。

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

featuresCol =參數(父母=‘定義’,name = ' featuresCol ', doc =功能列名稱。)
labelCol =參數(父母=‘定義’,name = ' labelCol ', doc =“標簽列名。”)
modelType =參數(父母=‘定義’,name = ' modelType ', doc = '的模型類型是一個字符串(大小寫敏感)。支持選項:多項(默認)、伯努利和高斯。”)
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。

π

日誌類先驗的。

predictionCol =參數(父母=‘定義’,name = ' predictionCol ', doc =預測列名稱。)
probabilityCol :Param (str) =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”。)
σ

每個特性的差異。

平滑 =參數(父母=‘定義’,name =“平滑”,醫生=的平滑參數,應該是> = 0,默認是1.0”)
θ

日誌的類條件概率。

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。”)
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

NaiveBayes

下一個

MultilayerPerceptronClassifier