BinaryClassificationEvaluator¶
-
類
pyspark.ml.evaluation。BinaryClassificationEvaluator( *,rawPredictionCol:str=“rawPrediction”,labelCol:str=“標簽”,metricName:BinaryClassificationEvaluatorMetricType=“areaUnderROC”,weightCol:可選(str]=沒有一個,numBins:int=1000年 ) ¶ -
二進製分類評估者,預計rawPrediction輸入列,列標簽和一個可選的重量。rawPrediction列可以雙型(二進製預測0/1,或標簽的概率1)或者類型的向量(矢量長度為2的原始預測,分數,或標簽概率)。
例子
> > >從pyspark.ml.linalg進口向量> > >scoreAndLabels=地圖(λx:(向量。密集的([1.0- - - - - -x(0),x(0]]),x(1]),…((0.1,0.0),(0.1,1.0),(0.4,0.0),(0.6,0.0),(0.6,1.0),(0.6,1.0),(0.8,1.0)))> > >數據集=火花。createDataFrame(scoreAndLabels,(“原始”,“標簽”])…> > >評估者=BinaryClassificationEvaluator()> > >評估者。setRawPredictionCol(“原始”)BinaryClassificationEvaluator……> > >評估者。評估(數據集)0.70……> > >評估者。評估(數據集,{評估者。metricName:“areaUnderPR”})0.83……> > >bce_path=temp_path+公元前“/”> > >評估者。保存(bce_path)> > >evaluator2=BinaryClassificationEvaluator。負載(bce_path)> > >str(evaluator2。getRawPredictionCol())“生”> > >scoreAndLabelsAndWeight=地圖(λx:(向量。密集的([1.0- - - - - -x(0),x(0]]),x(1),x(2]),…((0.1,0.0,1.0),(0.1,1.0,0.9),(0.4,0.0,0.7),(0.6,0.0,0.9),…(0.6,1.0,1.0),(0.6,1.0,0.3),(0.8,1.0,1.0)))> > >數據集=火花。createDataFrame(scoreAndLabelsAndWeight,(“原始”,“標簽”,“重量”])…> > >評估者=BinaryClassificationEvaluator(rawPredictionCol=“原始”,weightCol=“重量”)> > >評估者。評估(數據集)0.70……> > >評估者。評估(數據集,{評估者。metricName:“areaUnderPR”})0.82……> > >評估者。getNumBins()1000年
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[params))評估可選參數的輸出。
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。
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。
得到的價值labelCol或其默認值。
得到的價值metricName或其默認值。
得到的價值numBins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。
得到的價值rawPredictionCol或其默認值。
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。
指示是否返回的度量
evaluate ()應該最大化(真的,默認情況下)或最小化(假)。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。
setLabelCol(值)設置的值
labelCol。設置的值
metricName。setNumBins(值)設置的值
numBins。setparam(自我\ * (rawPredictionCol,…))設置參數為二進製分類評估者。
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
返回所有參數命令的名字。
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,參數個數:可選(ParamMap]=沒有一個 )→浮動¶ -
評估可選參數的輸出。
- 參數
-
-
數據集
pyspark.sql.DataFrame -
一個數據集,其中包含標簽/觀察和預測
- 參數個數 東西,可選
-
一個可選的參數覆蓋嵌入參數的地圖
-
數據集
- 返回
-
- 浮動
-
度規
-
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
-
getLabelCol( )→str¶ -
得到的價值labelCol或其默認值。
-
getMetricName( )→str¶ -
得到的價值metricName或其默認值。
-
getNumBins( )→int¶ -
得到的價值numBins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。
-
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。
-
isLargerBetter( )→bool¶ -
指示是否返回的度量
evaluate ()應該最大化(真的,默認情況下)或最小化(假)。給定的評估者可以支持多個指標可能最大化或最小化。
-
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。
-
setLabelCol( 價值:str )→pyspark.ml.evaluation.BinaryClassificationEvaluator ¶ -
設置的值
labelCol。
-
setMetricName( 價值:BinaryClassificationEvaluatorMetricType )→BinaryClassificationEvaluator¶ -
設置的值
metricName。
-
setNumBins( 價值:int )→pyspark.ml.evaluation.BinaryClassificationEvaluator ¶ -
設置的值
numBins。
-
setparam( 自我,\ *,rawPredictionCol = " rawPrediction ",labelCol = "標簽",metricName = " areaUnderROC ",weightCol =沒有,numBins = 1000 ) ¶ -
設置參數為二進製分類評估者。
-
setRawPredictionCol( 價值:str )→pyspark.ml.evaluation.BinaryClassificationEvaluator ¶ -
設置的值
rawPredictionCol。
-
setWeightCol( 價值:str )→pyspark.ml.evaluation.BinaryClassificationEvaluator ¶ -
設置的值
weightCol。
-
寫( )→pyspark.ml.util.JavaMLWriter¶ -
返回一個MLWriter實例毫升實例。
屬性的文檔
-
labelCol=參數(父母=‘定義’,name = ' labelCol ', doc =“標簽列名。”) ¶
-
metricName:pyspark.ml.param.Param BinaryClassificationEvaluatorMetricType =參數(父母=‘定義’,name = ' metricName ', doc =”在評價指標的名字(areaUnderROC | areaUnderPR)”) ¶
-
numBins:pyspark.ml.param.Param (int) =參數(父母=‘定義’,name = ' numBins ', doc = '數量的垃圾箱down-sample曲線(ROC曲線,公關曲線)的麵積計算。如果為0,則不會出現采樣下來。必須> = 0”。) ¶
-
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。
-
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。”) ¶
-