AFTSurvivalRegression¶

類 pyspark.ml.regression。 AFTSurvivalRegression ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,fitIntercept:bool=真正的,麥克斯特:int=One hundred.,托爾:浮動=1 e-06,censorCol:str=“審查”,quantileProbabilities:列表(浮動]=(0.01,0.05,0.1,0.25,0.5,0.75,0.9,0.95,0.99),quantilesCol:可選(str]=沒有一個,aggregationDepth:int=2,maxBlockSizeInMB:浮動=0.0 ) ¶

加速失效時間模型(尾部)生存回歸

適合參數船尾生存回歸模型基於威布爾分布的生存時間。

筆記

更多信息見維基百科頁麵尾模型

例子

           > > >從pyspark.ml.linalg進口向量> > >df=火花。createDataFrame([…(1.0,向量。密集的(1.0),1.0),…(1 e-40,向量。稀疏的(1,[],[]),0.0)),(“標簽”,“特征”,“審查”])> > >aftsr=AFTSurvivalRegression()> > >aftsr。setMaxIter(10)AFTSurvivalRegression……> > >aftsr。getMaxIter()10> > >aftsr。清晰的(aftsr。麥克斯特)> > >模型=aftsr。適合(df)> > >模型。getMaxBlockSizeInMB()0.0> > >模型。setFeaturesCol(“特征”)AFTSurvivalRegressionModel……> > >模型。預測(向量。密集的(6.3))1.0> > >模型。predictQuantiles(向量。密集的(6.3))DenseVector ([0.0101, 0.0513, 0.1054, 0.2877, 0.6931, 1.3863, 2.3026, 2.9957, 4.6052))> > >模型。變換(df)。顯示()+ - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - +| | |特性標簽審查| |預測+ - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - +(1.0)| 1.0 | | 1.0 | 1.0 || 1.0 e-40 | (1 [] []) | 0.0 | 1.0 |+ - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - +…> > >aftsr_path=temp_path+“/ aftsr”> > >aftsr。保存(aftsr_path)> > >aftsr2=AFTSurvivalRegression。負載(aftsr_path)> > >aftsr2。getMaxIter()One hundred.> > >model_path=temp_path+“/ aftsr_model”> > >模型。保存(model_path)> > >model2=AFTSurvivalRegressionModel。負載(model_path)> > >模型。係數= =model2。係數真正的> > >模型。攔截= =model2。攔截真正的> > >模型。規模= =model2。規模真正的> > >模型。變換(df)。取(1)= =model2。變換(df)。取(1)真正的
          

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。
`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。
`getAggregationDepth`()	得到的價值aggregationDepth或其默認值。
`getCensorCol`()	得到的價值censorCol或其默認值。
`getFeaturesCol`()	得到的價值featuresCol或其默認值。
`getFitIntercept`()	得到的價值fitIntercept或其默認值。
`getLabelCol`()	得到的價值labelCol或其默認值。
`getMaxBlockSizeInMB`()	得到的價值maxBlockSizeInMB或其默認值。
`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。
`getQuantileProbabilities`()	得到的價值quantileProbabilities或其默認值。
`getQuantilesCol`()	得到的價值quantilesCol或其默認值。
`getTol`()	被托爾的價值或其默認值。
`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。
`setAggregationDepth`(值)	設置的值`aggregationDepth`。
`setCensorCol`(值)	設置的值`censorCol`。
`setFeaturesCol`(值)	設置的值`featuresCol`。
`setFitIntercept`(值)	設置的值`fitIntercept`。
`setLabelCol`(值)	設置的值`labelCol`。
`setMaxBlockSizeInMB`(值)	設置的值`maxBlockSizeInMB`。
`setMaxIter`(值)	設置的值`麥克斯特`。
`setparam`(* [,labelCol featuresCol…))	setparam(自我,*,featuresCol =“特性”,labelCol =“標簽”,predictionCol =“預測”,fitIntercept = True,麥克斯特= 100,tol = 1 e-6, censorCol =“審查”,quantileProbabilities = (0.01, 0.05, 0.1, 0.25, 0.5, 0.75, 0.9, 0.95, 0.99), quantilesCol = None, aggregationDepth = 2, maxBlockSizeInMB = 0.0):
`setPredictionCol`(值)	設置的值`predictionCol`。
`setQuantileProbabilities`(值)	設置的值`quantileProbabilities`。
`setQuantilesCol`(值)	設置的值`quantilesCol`。
`setTol`(值)	設置的值`托爾`。
`寫`()	返回一個MLWriter實例毫升實例。

屬性

`aggregationDepth`
`censorCol`
`featuresCol`
`fitIntercept`
`labelCol`
`maxBlockSizeInMB`
`麥克斯特`
`參數個數`	返回所有參數命令的名字。
`predictionCol`
`quantileProbabilities`
`quantilesCol`
`托爾`

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

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。

getAggregationDepth ( )→int¶: 得到的價值aggregationDepth或其默認值。

getCensorCol ( )→str¶: 得到的價值censorCol或其默認值。

getFeaturesCol ( )→str¶: 得到的價值featuresCol或其默認值。

getFitIntercept ( )→bool¶: 得到的價值fitIntercept或其默認值。

getLabelCol ( )→str¶: 得到的價值labelCol或其默認值。

getMaxBlockSizeInMB ( )→浮動¶: 得到的價值maxBlockSizeInMB或其默認值。

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。

getQuantileProbabilities ( )→列表(浮動] ¶: 得到的價值quantileProbabilities或其默認值。

getQuantilesCol ( )→str¶: 得到的價值quantilesCol或其默認值。

getTol ( )→浮動¶: 被托爾的價值或其默認值。

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。

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。

setAggregationDepth ( 價值:int )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值aggregationDepth。

setCensorCol ( 價值:str )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值censorCol。

setFeaturesCol ( 價值:str )→P¶: 設置的值featuresCol。

setFitIntercept ( 價值:bool )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值fitIntercept。

setLabelCol ( 價值:str )→P¶: 設置的值labelCol。

setMaxBlockSizeInMB ( 價值:int )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值maxBlockSizeInMB。

setMaxIter ( 價值:int )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值麥克斯特。

setparam ( *,featuresCol:str=“特性”,labelCol:str=“標簽”,predictionCol:str=“預測”,fitIntercept:bool=真正的,麥克斯特:int=One hundred.,托爾:浮動=1 e-06,censorCol:str=“審查”,quantileProbabilities:列表(浮動]=(0.01,0.05,0.1,0.25,0.5,0.75,0.9,0.95,0.99),quantilesCol:可選(str]=沒有一個,aggregationDepth:int=2,maxBlockSizeInMB:浮動=0.0 )→pyspark.ml.regression.AFTSurvivalRegression ¶: setparam(自我,*,featuresCol =“特性”,labelCol =“標簽”,predictionCol =“預測”,fitIntercept = True,麥克斯特= 100,tol = 1 e-6, censorCol =“審查”,quantileProbabilities = (0.01, 0.05, 0.1, 0.25, 0.5, 0.75, 0.9, 0.95, 0.99), quantilesCol = None, aggregationDepth = 2, maxBlockSizeInMB = 0.0):

setPredictionCol ( 價值:str )→P¶: 設置的值predictionCol。

setQuantileProbabilities ( 價值:列表(浮動] )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值quantileProbabilities。

setQuantilesCol ( 價值:str )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值quantilesCol。

setTol ( 價值:浮動 )→pyspark.ml.regression.AFTSurvivalRegression ¶: 設置的值托爾。

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)。) ¶

censorCol =參數(父母=‘定義’,name = ' censorCol ', doc = '審查列名。該列的值是0或1。如果該值為1,這意味著事件發生即未經審查的;否則審查。”) ¶

featuresCol =參數(父母=‘定義’,name = ' featuresCol ', doc =功能列名稱。) ¶

fitIntercept =參數(父母=‘定義’,name = ' fitIntercept ', doc =是否適合一個截距項。) ¶

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

maxBlockSizeInMB =參數(父母=‘定義’,name = ' maxBlockSizeInMB ',醫生在MB = '最大內存疊加輸入數據塊。數據分區內堆放。如果超過剩餘的數據大小的分區是調整大小的數據。默認0.0代表了選擇最優值,取決於特定的算法。必須> = 0”。) ¶

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。) ¶

quantileProbabilities =參數(父母=‘定義’,name = ' quantileProbabilities ', doc = '分位數概率數組。分位數的概率數組的值應該在(0,1)和數組應該非空。”) ¶

quantilesCol =參數(父母=‘定義’,name = ' quantilesCol ', doc = '分位數列名。本專欄將輸出相應的分位數quantileProbabilities如果它被設置。) ¶

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

以前的

ALSModel

下一個

AFTSurvivalRegressionModel