GaussianMixtureModel

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

由GaussianMixture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。

getAggregationDepth()

得到的價值aggregationDepth或其默認值。

getFeaturesCol()

得到的價值featuresCol或其默認值。

getK()

獲得的價值k

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。

getSeed()

種子的價值或其默認值。

getTol()

被托爾的價值或其默認值。

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)

預測概率給定特性。

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。

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

aggregationDepth

featuresCol

高斯函數

的數組MultivariateGaussian在高斯函數[我]代表多元高斯(正常)分布為高斯我

gaussiansDF

檢索DataFrame高斯分布。

hasSummary

表明這個模型實例是否存在一個培訓總結。

k

麥克斯特

參數個數

返回所有參數命令的名字。

predictionCol

probabilityCol

種子

總結

總結(集群,集群大小)模型的訓練訓練集。

托爾

weightCol

權重

重量為每個高斯分布的混合物。

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

getAggregationDepth ( )→int

得到的價值aggregationDepth或其默認值。

getFeaturesCol ( )→str

得到的價值featuresCol或其默認值。

getK ( )→int

獲得的價值k

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。

getSeed ( )→int

種子的價值或其默認值。

getTol ( )→浮動

被托爾的價值或其默認值。

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:pyspark.ml.linalg.Vector )→int

預測給定特性的標簽。

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

預測概率給定特性。

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 )→pyspark.ml.clustering.GaussianMixtureModel

設置的值featuresCol。

setPredictionCol ( 價值:str )→pyspark.ml.clustering.GaussianMixtureModel

設置的值predictionCol。

setProbabilityCol ( 價值:str )→pyspark.ml.clustering.GaussianMixtureModel

設置的值probabilityCol。

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

aggregationDepth =參數(父母=‘定義’,name = ' aggregationDepth ', doc =的建議深度treeAggregate (> = 2)。)
featuresCol =參數(父母=‘定義’,name = ' featuresCol ', doc =功能列名稱。)
高斯函數

的數組MultivariateGaussian在高斯函數[我]代表多元高斯(正常)分布為高斯我

gaussiansDF

檢索DataFrame高斯分布。每一行代表一個高斯分布。DataFrame有兩列:意思是(向量)和x(矩陣)。

hasSummary

表明這個模型實例是否存在一個培訓總結。

k :pyspark.ml.param.Param (int) =參數(父母=‘定義’,名字=“k”,醫生= '的獨立的高斯函數混合模型。必須> 1。)
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。”)
種子 =參數(父母=‘定義’,name =“種子”,醫生=“隨機種子。”)
總結

總結(集群,集群大小)模型的訓練集訓練。如果沒有總結拋出異常。

托爾 =參數(父母=‘定義’,name =“托爾”,醫生=迭代算法的收斂公差(> = 0)”。)
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。”)
權重

重量為每個高斯分布的混合物。這是一個多項式概率分布在k高斯函數,在權重[我]是高斯的重量,我和權重之和為1。

以前的

GaussianMixture

下一個

GaussianMixtureSummary