BisectingKMeansModel¶

類 pyspark.mllib.clustering。 BisectingKMeansModel ( java_model:JavaObject ) ¶

來源於平分k - means聚類模型方法。

例子

           > > >數據=數組([0.0,0.0,1.0,1.0,9.0,8.0,8.0,9.0])。重塑(4,2)> > >bskm=BisectingKMeans()> > >模型=bskm。火車(sc。並行化(數據,2),k=4)> > >p=數組([0.0,0.0])> > >模型。預測(p)0> > >模型。k4> > >模型。computeCost(p)0.0
          

方法

`調用`(名字,*一個)	調用的方法java_model
`computeCost`(x)	返回平分k - means成本(指向最近的中心的距離平方的總和)模型在給定的數據。
`預測`(x)	發現集群中的每個點屬於這個模型。

屬性

`clusterCenters`	得到聚類中心,表示為一個列表的NumPy數組。
`k`	集群的數量

方法的文檔

調用 ( 的名字:str,*一個:任何 )→任何¶: 調用的方法java_model

computeCost ( x:聯盟(VectorLike,pyspark.rdd.RDD(VectorLike]] )→浮動¶

返回平分k - means成本(指向最近的中心的距離平方的總和)模型在給定的數據。如果提供一個抽樣點的返回和。

參數

點 pyspark.mllib.linalg.Vector或pyspark.RDD: 一個數據點(或抽樣點)來計算成本。pyspark.mllib.linalg.Vector可以使用等效替換對象(列表、元組、numpy.ndarray)。

預測 ( x:聯盟(VectorLike,pyspark.rdd.RDD(VectorLike]] )→聯盟(int,pyspark.rdd.RDD(int] ] ¶

發現集群中的每個點屬於這個模型。

參數

x pyspark.mllib.linalg.Vector或pyspark.RDD: 一個數據點(或抽樣點)來確定集群指數。pyspark.mllib.linalg.Vector可以使用等效替換對象(列表、元組、numpy.ndarray)。

返回

int或pyspark.RDD的整數: 預測集群索引或抽樣的預測集群指數如果輸入是一個抽樣。

屬性的文檔

clusterCenters ¶: 得到聚類中心,表示為一個列表的NumPy數組。

k ¶: 集群的數量

以前的

StreamingLogisticRegressionWithSGD

下一個

BisectingKMeans