LinearRegressionSummary¶
-
類
pyspark.ml.regression。LinearRegressionSummary( java_obj:可選(JavaObject]=沒有一個 ) ¶ -
線性回歸結果評估數據集。
屬性
標準估計誤差係數和攔截。
的自由度。
加權殘差,通常的殘差權重新根的實例。
返回解釋方差的回歸評分。
字段“預測”,讓每個實例的特征向量。
在“預測”,讓每個實例的真正的標簽。
返回平均絕對誤差,這是一個風險函數對應的絕對誤差損失的期望值或l1-norm損失。
返回均方誤差,這是一個風險函數對應平方誤差的期望值損失或二次損失。
DataFrame的實例數量預測
雙麵的假定值的估計係數和攔截。
在“預測”,使標簽在每個實例的預測價值。
Dataframe模型的輸出變換方法。
返回R ^ 2,確定係數。
調整後的回報率R ^ 2,確定係數調整。
預測殘差(標簽-值)
返回根均方誤差,定義為均方誤差的平方根。
t統計量的估計係數和攔截。
屬性的文檔
-
coefficientStandardErrors¶ -
標準估計誤差係數和攔截。這個值是隻有當使用“正常”的解決者。
如果
LinearRegression.fitIntercept設置為True,那麼返回的最後一個元素對應於攔截。
-
degreesOfFreedom¶ -
的自由度。
-
devianceResiduals¶ -
加權殘差,通常的殘差權重新根的實例。
-
explainedVariance¶ -
返回解釋方差的回歸評分。explainedVariance =\(1 - \壓裂{方差(y - \帽子{y})}{方差(y)} \)
筆記
這忽略了實例權重(所有設置為1.0)LinearRegression.weightCol。這將會改變在以後的火花版本。
更多信息請見在維基百科上解釋變異
-
featuresCol¶ -
字段“預測”,讓每個實例的特征向量。
-
labelCol¶ -
在“預測”,讓每個實例的真正的標簽。
-
meanAbsoluteError¶ -
返回平均絕對誤差,這是一個風險函數對應的絕對誤差損失的期望值或l1-norm損失。
筆記
這忽略了實例權重(所有設置為1.0)LinearRegression.weightCol。這將會改變在以後的火花版本。
-
meanSquaredError¶ -
返回均方誤差,這是一個風險函數對應平方誤差的期望值損失或二次損失。
筆記
這忽略了實例權重(所有設置為1.0)LinearRegression.weightCol。這將會改變在以後的火花版本。
-
numInstances¶ -
DataFrame的實例數量預測
-
pValues¶ -
雙麵的假定值的估計係數和攔截。這個值是隻有當使用“正常”的解決者。
如果
LinearRegression.fitIntercept設置為True,那麼返回的最後一個元素對應於攔截。
-
predictionCol¶ -
在“預測”,使標簽在每個實例的預測價值。
-
預測¶ -
Dataframe模型的輸出變換方法。
-
r2adj¶ -
調整後的回報率R ^ 2,確定係數調整。
筆記
這忽略了實例權重(所有設置為1.0)LinearRegression.weightCol。這將會改變在以後的火花版本。
-
殘差¶ -
預測殘差(標簽-值)
-
rootMeanSquaredError¶ -
返回根均方誤差,定義為均方誤差的平方根。
筆記
這忽略了實例權重(所有設置為1.0)LinearRegression.weightCol。這將會改變在以後的火花版本。
-
tValues¶ -
t統計量的估計係數和攔截。這個值是隻有當使用“正常”的解決者。
如果
LinearRegression.fitIntercept設置為True,那麼返回的最後一個元素對應於攔截。
-