ALSModel¶

類 pyspark.ml.recommendation。 ALSModel ( java_model:可選(JavaObject]=沒有一個 ) ¶

模型擬合了肌萎縮性側索硬化症。

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。
`getBlockSize`()	得到的價值blockSize或其默認值。
`getColdStartStrategy`()	得到的價值coldStartStrategy或其默認值。
`getItemCol`()	得到的價值itemCol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。
`getUserCol`()	得到的價值userCol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。
`recommendForAllItems`(numUsers)	返回頂部numUsers用戶推薦為每個項目,所有項目。
`recommendForAllUsers`(numItems)	返回頂部numItems項目推薦給每一個用戶,為所有用戶。
`recommendForItemSubset`(numUsers數據集)	返回頂部numUsers用戶推薦為每個項id的輸入數據集。
`recommendForUserSubset`(numItems數據集)	返回頂部numItems項目推薦為每個用戶id的輸入數據集。
`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。
`setBlockSize`(值)	設置的值`blockSize`。
`setColdStartStrategy`(值)	設置的值`coldStartStrategy`。
`setItemCol`(值)	設置的值`itemCol`。
`setPredictionCol`(值)	設置的值`predictionCol`。
`setUserCol`(值)	設置的值`userCol`。
`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

`blockSize`
`coldStartStrategy`
`itemCol`
`itemFactors`	DataFrame存儲項因素在兩列:id和特性
`參數個數`	返回所有參數命令的名字。
`predictionCol`
`排名`	矩陣的秩分解模型
`userCol`
`userFactors`	DataFrame存儲用戶因素在兩列:id和特性

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。複製和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

getBlockSize ( )→int¶: 得到的價值blockSize或其默認值。

getColdStartStrategy ( )→str¶: 得到的價值coldStartStrategy或其默認值。

getItemCol ( )→str¶: 得到的價值itemCol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。

getUserCol ( )→str¶: 得到的價值userCol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.util.JavaMLReader(RL] ¶: 返回一個MLReader這個類的實例。

recommendForAllItems ( numUsers:int )→pyspark.sql.dataframe.DataFrame¶

返回頂部numUsers用戶推薦為每個項目,所有項目。

參數

numUsers int: 每個條目的最大數量的建議

返回

pyspark.sql.DataFrame: DataFrame (itemCol、推薦),建議在哪裏存儲為一個數組(userCol,評級)的行。

recommendForAllUsers ( numItems:int )→pyspark.sql.dataframe.DataFrame¶

返回頂部numItems項目推薦給每一個用戶,為所有用戶。

參數

numItems int: 為每個用戶最大數量的建議

返回

pyspark.sql.DataFrame: DataFrame (userCol、推薦),建議在哪裏存儲為一個數組(itemCol,評級)的行。

recommendForItemSubset ( 數據集:pyspark.sql.dataframe.DataFrame,numUsers:int )→pyspark.sql.dataframe.DataFrame¶

返回頂部numUsers用戶推薦為每個項id的輸入數據集。注意,如果有重複的id輸入數據集,隻有一組建議每個惟一的id將被歸還。

參數

數據集 pyspark.sql.DataFrame: DataFrame包含一列條目id。列名必須匹配itemCol。
numUsers int: 每個條目的最大數量的建議

返回

pyspark.sql.DataFrame: DataFrame (itemCol、推薦),建議在哪裏存儲為一個數組(userCol,評級)的行。

recommendForUserSubset ( 數據集:pyspark.sql.dataframe.DataFrame,numItems:int )→pyspark.sql.dataframe.DataFrame¶

返回頂部numItems項目推薦為每個用戶id的輸入數據集。注意,如果有重複的id輸入數據集,隻有一組建議每個惟一的id將被歸還。

參數

數據集 pyspark.sql.DataFrame: 包含一個列DataFrame用戶id。列名必須匹配userCol。
numItems int: 為每個用戶最大數量的建議

返回

pyspark.sql.DataFrame: DataFrame (userCol、推薦),建議在哪裏存儲為一個數組(itemCol,評級)的行。

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。

setBlockSize ( 價值:int )→pyspark.ml.recommendation.ALSModel ¶: 設置的值blockSize。

setColdStartStrategy ( 價值:str )→pyspark.ml.recommendation.ALSModel ¶: 設置的值coldStartStrategy。

setItemCol ( 價值:str )→pyspark.ml.recommendation.ALSModel ¶: 設置的值itemCol。

setPredictionCol ( 價值:str )→pyspark.ml.recommendation.ALSModel ¶: 設置的值predictionCol。

setUserCol ( 價值:str )→pyspark.ml.recommendation.ALSModel ¶: 設置的值userCol。

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

blockSize =參數(父母=‘定義’,name = ' blockSize ', doc = '疊加輸入數據塊大小的矩陣。數據分區內堆放。如果超過剩餘的數據塊大小調整一個分區那麼這個數據的大小。) ¶

coldStartStrategy :pyspark.ml.param.Param (str) =參數(父母=‘定義’,name = ' coldStartStrategy ', doc = "戰略應對未知或新用戶/項目預測時間。這可能是有用的在交叉驗證或生產場景中,用於處理用戶/項目id模型並沒有出現在訓練數據。支持價值觀:‘南’,‘降’。”) ¶

itemCol :pyspark.ml.param.Param (str) =參數(父母=‘定義’,name = ' itemCol ', doc = '列名稱條目id。id必須在整數值範圍之內。”) ¶

itemFactors ¶: DataFrame存儲項因素在兩列:id和特性

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。) ¶

排名 ¶: 矩陣的秩分解模型

userCol :pyspark.ml.param.Param (str) =參數(父母=‘定義’,name = ' userCol ',醫生為用戶id = '列名稱。id必須在整數值範圍之內。”) ¶

userFactors ¶: DataFrame存儲用戶因素在兩列:id和特性

以前的

肌萎縮性側索硬化症

下一個

AFTSurvivalRegression