OneVsRest

類 pyspark.ml.classification。 OneVsRest ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,rawPredictionCol:str=“rawPrediction”,分類器:可選(pyspark.ml.classification.Classifier(厘米]]=沒有一個,weightCol:可選(str]=沒有一個,並行性:int=1 )

減少多級分類二進製分類。減少執行使用一個對所有策略。多級分類與k類,火車k模型(每個類一個)。每個例子是得分對所有k模型和模型與得分最高的是標簽的例子了。

例子

> > >從pyspark.sql進口行> > >從pyspark.ml.linalg進口向量> > >data_path=“數據/ mllib / sample_multiclass_classification_data.txt”> > >df=火花。讀。格式(“libsvm”)。負載(data_path)> > >lr=LogisticRegression(regParam=0.01)> > >表達=OneVsRest(分類器=lr)> > >表達。getRawPredictionCol()“rawPrediction”> > >表達。setPredictionCol(“newPrediction”)OneVsRest……> > >模型=表達。適合(df)> > >模型。模型(0]。係數DenseVector ([0.5…,-1.0……,3.4……,4。2。。。])> > >模型。模型(1]。係數DenseVector ([-2.1…,3.1……,- - - - - -2。6..., -2.3...])> > >模型。模型(2]。係數DenseVector ([0.3…,-3.4……,1.0……,- - - - - -1。1。。。])> > >(x。攔截為x在模型。模型][-2.7……,- - - - - -2。5..., -1.3...]> > >電平=sc。並行化([行(特性=向量。密集的(- - - - - -1.0,0.0,1.0,1.0))))。toDF()> > >模型。變換(電平)。頭()。newPrediction0.0> > >test1=sc。並行化([行(特性=向量。稀疏的(4,(0),(1.0)))))。toDF()> > >模型。變換(test1)。頭()。newPrediction2.0> > >test2=sc。並行化([行(特性=向量。密集的(0.5,0.4,0.3,0.2))))。toDF()> > >模型。變換(test2)。頭()。newPrediction0.0> > >model_path=temp_path+“/ ovr_model”> > >模型。保存(model_path)> > >model2=OneVsRestModel。負載(model_path)> > >model2。變換(電平)。頭()。newPrediction0.0> > >模型。變換(電平)。取(1)= =model2。變換(電平)。取(1)真正的> > >模型。變換(test2)。列[‘功能’,‘rawPrediction’,‘newPrediction’)

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和一個隨機生成的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。
getClassifier()	得到的值分類器或其默認值。
getFeaturesCol()	得到的價值featuresCol或其默認值。
getLabelCol()	得到的價值labelCol或其默認值。
getOrDefault(參數)	得到參數的值在用戶提供的參數映射或其默認值。
getParallelism()	並行性的價值或其默認值。
getParam(paramName)	通過它的名稱參數。
getPredictionCol()	得到的價值predictionCol或其默認值。
getRawPredictionCol()	得到的價值rawPredictionCol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)。
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。
setClassifier(值)	設置的值分類器。
setFeaturesCol(值)	設置的值featuresCol。
setLabelCol(值)	設置的值labelCol。
setParallelism(值)	設置的值並行性。
setparam(* [,labelCol featuresCol…))	setparam(自我,*,featuresCol =“特性”,labelCol =“標簽”,predictionCol =“預測”,rawPredictionCol =“rawPrediction”,分類器= None, weightCol =沒有並行性= 1):集OneVsRest參數。
setPredictionCol(值)	設置的值predictionCol。
setRawPredictionCol(值)	設置的值rawPredictionCol。
setWeightCol(值)	設置的值weightCol。
寫()	返回一個MLWriter實例毫升實例。

屬性

分類器
featuresCol
labelCol
並行性
參數個數	返回所有參數命令的名字。
predictionCol
rawPredictionCol
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 )→OneVsRest

創建這個實例的副本和一個隨機生成的uid和一些額外的參數。這將創建一個深嵌入式paramMap副本,副本嵌入式和額外的參數。

返回

OneVsRest

這個實例的副本

例子

額外的東西,可選

額外參數複製到新實例

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。

getClassifier ( )→pyspark.ml.classification.Classifier

得到的值分類器或其默認值。

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。

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。

getParallelism ( )→int

並行性的價值或其默認值。

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。

getRawPredictionCol ( )→str

得到的價值rawPredictionCol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)。

classmethod 讀 ( )→pyspark.ml.classification.OneVsRestReader

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。

setClassifier ( 價值:pyspark.ml.classification.Classifier(厘米] )→pyspark.ml.classification.OneVsRest

設置的值分類器。

setFeaturesCol ( 價值:str )→pyspark.ml.classification.OneVsRest

設置的值featuresCol。

setLabelCol ( 價值:str )→pyspark.ml.classification.OneVsRest

設置的值labelCol。

setParallelism ( 價值:int )→pyspark.ml.classification.OneVsRest

設置的值並行性。

setparam ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,rawPredictionCol:str=“rawPrediction”,分類器:可選(pyspark.ml.classification.Classifier(厘米]]=沒有一個,weightCol:可選(str]=沒有一個,並行性:int=1 )→pyspark.ml.classification.OneVsRest

setparam(自我,*,featuresCol =“特性”,labelCol =“標簽”,predictionCol =“預測”,rawPredictionCol =“rawPrediction”,分類器= None, weightCol =沒有並行性= 1):集OneVsRest參數。

setPredictionCol ( 價值:str )→pyspark.ml.classification.OneVsRest

設置的值predictionCol。

setRawPredictionCol ( 價值:str )→pyspark.ml.classification.OneVsRest

設置的值rawPredictionCol。

setWeightCol ( 價值:str )→pyspark.ml.classification.OneVsRest

設置的值weightCol。

寫 ( )→pyspark.ml.util.MLWriter

返回一個MLWriter實例毫升實例。

屬性的文檔

分類器 =參數(父母=‘定義’,name =“分類”,醫生=“基二元分類器”)

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。”)

並行性 =參數(父母=‘定義’,name =“並行性”,醫生=數量的線程使用的並行算法運行時(> = 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。)

rawPredictionCol =參數(父母=‘定義’,name = ' rawPredictionCol ', doc =“原始預測(又名信心)列名”。)

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

MultilayerPerceptronClassificationTrainingSummary

下一個

OneVsRestModel