MulticlassClassificationEvaluator

類 pyspark.ml.evaluation。 MulticlassClassificationEvaluator ( *,predictionCol:str=“預測”,labelCol:str=“標簽”,metricName:MulticlassClassificationEvaluatorMetricType=“f1”,weightCol:可選(str]=沒有一個,metricLabel:浮動=0.0,β:浮動=1.0,probabilityCol:str=“概率”,每股收益:浮動=1 e15汽油 )

多類分類的評估者,預計輸入列:預測、標簽、重量(可選)和probabilityCol logLoss(隻)。

例子

> > >scoreAndLabels=((0.0,0.0),(0.0,1.0),(0.0,0.0),…(1.0,0.0),(1.0,1.0),(1.0,1.0),(1.0,1.0),(2.0,2.0),(2.0,0.0)]> > >數據集=火花。createDataFrame(scoreAndLabels,(“預測”,“標簽”])> > >評估者=MulticlassClassificationEvaluator()> > >評估者。setPredictionCol(“預測”)MulticlassClassificationEvaluator……> > >評估者。評估(數據集)0.66……> > >評估者。評估(數據集,{評估者。metricName:“準確性”})0.66……> > >評估者。評估(數據集,{評估者。metricName:“truePositiveRateByLabel”,…評估者。metricLabel:1.0})0.75……> > >評估者。setMetricName(“hammingLoss”)MulticlassClassificationEvaluator……> > >評估者。評估(數據集)0.33……> > >mce_path=temp_path+“/多國評價”> > >評估者。保存(mce_path)> > >evaluator2=MulticlassClassificationEvaluator。負載(mce_path)> > >str(evaluator2。getPredictionCol())“預測”> > >scoreAndLabelsAndWeight=((0.0,0.0,1.0),(0.0,1.0,1.0),(0.0,0.0,1.0),…(1.0,0.0,1.0),(1.0,1.0,1.0),(1.0,1.0,1.0),(1.0,1.0,1.0),…(2.0,2.0,1.0),(2.0,0.0,1.0)]> > >數據集=火花。createDataFrame(scoreAndLabelsAndWeight,(“預測”,“標簽”,“重量”])> > >評估者=MulticlassClassificationEvaluator(predictionCol=“預測”,…weightCol=“重量”)> > >評估者。評估(數據集)0.66……> > >評估者。評估(數據集,{評估者。metricName:“準確性”})0.66……> > >predictionAndLabelsWithProbabilities=(…(1.0,1.0,1.0,(0.1,0.8,0.1]),(0.0,2.0,1.0,(0.9,0.05,0.05]),…(0.0,0.0,1.0,(0.8,0.2,0.0]),(1.0,1.0,1.0,(0.3,0.65,0.05)))> > >數據集=火花。createDataFrame(predictionAndLabelsWithProbabilities,(“預測”,…“標簽”,“重量”,“概率”])> > >評估者=MulticlassClassificationEvaluator(predictionCol=“預測”,…probabilityCol=“概率”)> > >評估者。setMetricName(“logLoss”)MulticlassClassificationEvaluator……> > >評估者。評估(數據集)0.9682……

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。
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。
getBeta()	β的值或其默認值。
getEps()	每股收益的價值或其默認值。
getLabelCol()	得到的價值labelCol或其默認值。
getMetricLabel()	得到的價值metricLabel或其默認值。
getMetricName()	得到的價值metricName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。
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。
isLargerBetter()	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。
setBeta(值)	設置的值β。
setEps(值)	設置的值每股收益。
setLabelCol(值)	設置的值labelCol。
setMetricLabel(值)	設置的值metricLabel。
setMetricName(值)	設置的值metricName。
setparam(自我\ * (predictionCol,…))	設置參數的多級分類評估者。
setPredictionCol(值)	設置的值predictionCol。
setProbabilityCol(值)	設置的值probabilityCol。
setWeightCol(值)	設置的值weightCol。
寫()	返回一個MLWriter實例毫升實例。

屬性

β
每股收益
labelCol
metricLabel
metricName
參數個數	返回所有參數命令的名字。
predictionCol
probabilityCol
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

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

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

getBeta ( )→浮動

β的值或其默認值。

getEps ( )→浮動

每股收益的價值或其默認值。

getLabelCol ( )→str

得到的價值labelCol或其默認值。

getMetricLabel ( )→浮動

得到的價值metricLabel或其默認值。

getMetricName ( )→MulticlassClassificationEvaluatorMetricType

得到的價值metricName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。

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。

setBeta ( 價值:浮動 )→pyspark.ml.evaluation.MulticlassClassificationEvaluator

設置的值β。

setEps ( 價值:浮動 )→pyspark.ml.evaluation.MulticlassClassificationEvaluator

設置的值每股收益。

setLabelCol ( 價值:str )→pyspark.ml.evaluation.MulticlassClassificationEvaluator

設置的值labelCol。

setMetricLabel ( 價值:浮動 )→pyspark.ml.evaluation.MulticlassClassificationEvaluator

設置的值metricLabel。

setMetricName ( 價值:MulticlassClassificationEvaluatorMetricType )→MulticlassClassificationEvaluator

設置的值metricName。

setparam ( 自我,\ *,predictionCol = "預測",labelCol = "標簽",metricName = " f1 ",weightCol =沒有,metricLabel = 0.0,β= 1.0,probabilityCol =“概率”,每股收益= 1 e15汽油 )

設置參數的多級分類評估者。

setPredictionCol ( 價值:str )→pyspark.ml.evaluation.MulticlassClassificationEvaluator

設置的值predictionCol。

setProbabilityCol ( 價值:str )→pyspark.ml.evaluation.MulticlassClassificationEvaluator

設置的值probabilityCol。

setWeightCol ( 價值:str )→pyspark.ml.evaluation.MulticlassClassificationEvaluator

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

β :pyspark.ml.param.Param(浮動) =參數(父母=‘定義’,name =“beta”,醫生= 'β值用於weightedFMeasure | fMeasureByLabel。必須> 0。默認值是1。”)

每股收益 :pyspark.ml.param.Param(浮動) =參數(父母=‘定義’,name =“每股收益”,醫生= ' log-loss定義為p = 0或p = 1,所以概率是剪馬克斯(eps、最小值(1 - eps, p))。必須在範圍(0,0.5)。默認值是1 e15汽油。”)

labelCol =參數(父母=‘定義’,name = ' labelCol ', doc =“標簽列名。”)

metricLabel :pyspark.ml.param.Param(浮動) =參數(父母=‘定義’,name = ' metricLabel ', doc = '的類指標將計算在truePositiveRateByLabel | falsePositiveRateByLabel | precisionByLabel | recallByLabel | fMeasureByLabel。必須> = 0。默認值是0。”)

metricName :pyspark.ml.param.Param MulticlassClassificationEvaluatorMetricType =參數(父母=‘定義’,name = ' metricName ', doc =”在評價指標的名字(f1精度| | weightedPrecision | weightedRecall | weightedTruePositiveRate | weightedFalsePositiveRate | weightedFMeasure | truePositiveRateByLabel | falsePositiveRateByLabel | precisionByLabel | recallByLabel | fMeasureByLabel | logLoss | hammingLoss)”)

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。”)

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

RegressionEvaluator

下一個

MultilabelClassificationEvaluator