MulticlassMetrics

類 pyspark.mllib.evaluation。 MulticlassMetrics ( predictionAndLabels:pyspark.rdd.RDD(元組(浮動,浮動]] )

評估者對多類分類。

參數

predictionAndLabels pyspark.RDD

預測的抽樣,標簽,可選的重量和可選的概率。

例子

> > >predictionAndLabels=sc。並行化(((0.0,0.0),(0.0,1.0),(0.0,0.0),…(1.0,0.0),(1.0,1.0),(1.0,1.0),(1.0,1.0),(2.0,2.0),(2.0,0.0)))> > >指標=MulticlassMetrics(predictionAndLabels)> > >指標。confusionMatrix()。toArray()數組([[2。1。,1.],(1。3。,0.],[0。,0。,1.]])> > >指標。falsePositiveRate(0.0)0.2……> > >指標。精度(1.0)0.75……> > >指標。回憶(2.0)1.0……> > >指標。fMeasure(0.0,2.0)0.52……> > >指標。精度0.66……> > >指標。weightedFalsePositiveRate0.19……> > >指標。weightedPrecision0.68……> > >指標。weightedRecall0.66……> > >指標。weightedFMeasure()0.66……> > >指標。weightedFMeasure(2.0)0.65……> > >predAndLabelsWithOptWeight=sc。並行化(((0.0,0.0,1.0),(0.0,1.0,1.0),…(0.0,0.0,1.0),(1.0,0.0,1.0),(1.0,1.0,1.0),(1.0,1.0,1.0),(1.0,1.0,1.0),…(2.0,2.0,1.0),(2.0,0.0,1.0)))> > >指標=MulticlassMetrics(predAndLabelsWithOptWeight)> > >指標。confusionMatrix()。toArray()數組([[2。1。,1.],(1。3。,0.],[0。,0。,1.]])> > >指標。falsePositiveRate(0.0)0.2……> > >指標。精度(1.0)0.75……> > >指標。回憶(2.0)1.0……> > >指標。fMeasure(0.0,2.0)0.52……> > >指標。精度0.66……> > >指標。weightedFalsePositiveRate0.19……> > >指標。weightedPrecision0.68……> > >指標。weightedRecall0.66……> > >指標。weightedFMeasure()0.66……> > >指標。weightedFMeasure(2.0)0.65……> > >predictionAndLabelsWithProbabilities=sc。並行化([…(1.0,1.0,1.0,(0.1,0.8,0.1]),(0.0,2.0,1.0,(0.9,0.05,0.05]),…(0.0,0.0,1.0,(0.8,0.2,0.0]),(1.0,1.0,1.0,(0.3,0.65,0.05))))> > >指標=MulticlassMetrics(predictionAndLabelsWithProbabilities)> > >指標。logLoss()0.9682……

方法

調用(名字,*一個)	調用的方法java_model
confusionMatrix()	返回混淆矩陣:預測類列,他們命令類標簽提升,如“標簽”。
fMeasure(標簽(β))	返回f-measure。
falsePositiveRate(標簽)	返回假陽性率為給定的標簽(類別)。
logLoss((eps))	返回加權logLoss。
精度(標簽)	返回精度。
回憶(標簽)	返回召回。
truePositiveRate(標簽)	返回true積極率對於一個給定的標簽(類別)。
weightedFMeasure([測試])	加權平均f-measure回報。

屬性

精度	返回精度(等於正確的總數分類實例的實例)的總數。
weightedFalsePositiveRate	返回加權假陽性率。
weightedPrecision	返回加權平均精度。
weightedRecall	返回加權平均召回。
weightedTruePositiveRate	返回加權真陽性率。

方法的文檔

調用 ( 的名字:str,*一個:任何 )→任何

調用的方法java_model

confusionMatrix ( )→pyspark.mllib.linalg.Matrix

返回混淆矩陣:預測類列,他們命令類標簽提升,如“標簽”。

fMeasure ( 標簽:浮動,β:可選(浮動]=沒有一個 )→浮動

返回f-measure。

falsePositiveRate ( 標簽:浮動 )→浮動

返回假陽性率為給定的標簽(類別)。

logLoss ( 每股收益:浮動=1 e15汽油 )→浮動

返回加權logLoss。

精度 ( 標簽:浮動 )→浮動

返回精度。

回憶 ( 標簽:浮動 )→浮動

返回召回。

truePositiveRate ( 標簽:浮動 )→浮動

返回true積極率對於一個給定的標簽(類別)。

weightedFMeasure ( β:可選(浮動]=沒有一個 )→浮動

加權平均f-measure回報。

屬性的文檔

精度

返回精度(等於正確的總數分類實例的實例)的總數。

weightedFalsePositiveRate

返回加權假陽性率。

weightedPrecision

返回加權平均精度。

weightedRecall

返回加權平均召回。(等於精度、召回和f-measure)

weightedTruePositiveRate

返回加權真陽性率。(等於精度、召回和f-measure)

以前的

RegressionMetrics

下一個

RankingMetrics