SVMModel¶

類 pyspark.mllib.classification。 SVMModel ( 權重:pyspark.mllib.linalg.Vector,攔截:浮動 ) ¶

支持向量機模型(svm)。

參數

權重 pyspark.mllib.linalg.Vector: 權重計算為每個特性。
攔截浮動: 截距計算模型。

例子

           > > >從pyspark.mllib.linalg進口SparseVector> > >數據=(…LabeledPoint(0.0,(0.0]),…LabeledPoint(1.0,(1.0]),…LabeledPoint(1.0,(2.0]),…LabeledPoint(1.0,(3.0])…]> > >支持向量機=SVMWithSGD。火車(sc。並行化(數據),迭代=10)> > >支持向量機。預測([1.0])1> > >支持向量機。預測(sc。並行化([[1.0]]))。收集()[1]> > >支持向量機。clearThreshold()> > >支持向量機。預測(numpy。數組([1.0)))1.44……
          

           > > >sparse_data=(…LabeledPoint(0.0,SparseVector(2,{0:- - - - - -1.0})),…LabeledPoint(1.0,SparseVector(2,{1:1.0})),…LabeledPoint(0.0,SparseVector(2,{0:0.0})),…LabeledPoint(1.0,SparseVector(2,{1:2.0}))…]> > >支持向量機=SVMWithSGD。火車(sc。並行化(sparse_data),迭代=10)> > >支持向量機。預測(SparseVector(2,{1:1.0}))1> > >支持向量機。預測(SparseVector(2,{0:- - - - - -1.0}))0> > >進口操作係統,tempfile> > >路徑=tempfile。mkdtemp()> > >支持向量機。保存(sc,路徑)> > >sameModel=SVMModel。負載(sc,路徑)> > >sameModel。預測(SparseVector(2,{1:1.0}))1> > >sameModel。預測(SparseVector(2,{0:- - - - - -1.0}))0> > >從shutil進口rmtree> > >試一試:…rmtree(路徑)…除了BaseException:…通過
          

方法

`clearThreshold`()	掃清了閾值,這樣預測將輸出的原始預測分數。
`負載`(sc路徑)	從給定的路徑加載模型。
`預測`(x)	預測單個數據點的值或一個抽樣點的使用模型訓練。
`保存`(sc路徑)	這個模型保存到給定的路徑。
`setThreshold`(值)	設置閾值之間積極的預測從消極的預測。

屬性

`攔截`	截距計算模型。
`閾值`	返回閾值(如果有的話)用於預測預測分數轉化為0/1。
`權重`	權重計算為每個特性。

方法的文檔

clearThreshold ( )→沒有¶: 掃清了閾值,這樣預測將輸出的原始預測分數。這是僅用於二進製分類。

classmethod 負載 ( sc:pyspark.context.SparkContext,路徑:str )→pyspark.mllib.classification.SVMModel ¶: 從給定的路徑加載模型。

預測 ( x:聯盟(VectorLike,pyspark.rdd.RDD(VectorLike]] )→聯盟(pyspark.rdd.RDD(聯盟(int,浮動] ] ,int,浮動] ¶: 預測單個數據點的值或一個抽樣點的使用模型訓練。

保存 ( sc:pyspark.context.SparkContext,路徑:str )→沒有¶: 這個模型保存到給定的路徑。

setThreshold ( 價值:浮動 )→沒有¶: 設置閾值之間積極的預測從消極的預測。一個例子與預測得分大於或等於閾值被認為是積極和消極的。這是僅用於二進製分類。

屬性的文檔

攔截 ¶: 截距計算模型。

閾值 ¶: 返回閾值(如果有的話)用於預測預測分數轉化為0/1。這是僅用於二進製分類。

權重 ¶: 權重計算為每個特性。

以前的

LogisticRegressionWithLBFGS

下一個

SVMWithSGD