RegressionMetrics¶
-
類
pyspark.mllib.evaluation。RegressionMetrics( predictionAndObservations:pyspark.rdd.RDD(元組(浮動,浮動]] ) ¶ -
評估者的回歸。
- 參數
-
-
predictionAndObservations
pyspark.RDD -
預測的抽樣,觀察和可選的重量。
-
predictionAndObservations
例子
> > >predictionAndObservations=sc。並行化([…(2.5,3.0),(0.0,- - - - - -0.5),(2.0,2.0),(8.0,7.0)))> > >指標=RegressionMetrics(predictionAndObservations)> > >指標。explainedVariance8.859……> > >指標。meanAbsoluteError0.5……> > >指標。meanSquaredError0.37……> > >指標。rootMeanSquaredError0.61……> > >指標。r20.94……> > >predictionAndObservationsWithOptWeight=sc。並行化([…(2.5,3.0,0.5),(0.0,- - - - - -0.5,1.0),(2.0,2.0,0.3),(8.0,7.0,0.9)))> > >指標=RegressionMetrics(predictionAndObservationsWithOptWeight)> > >指標。rootMeanSquaredError0.68……
方法
調用(名字,*一個)調用的方法java_model
屬性
返回解釋方差的回歸評分。
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。
返回R ^ 2 ^,確定係數。
返回根均方誤差,定義為均方誤差的平方根。
方法的文檔
-
調用( 的名字:str,*一個:任何 )→任何¶ -
調用的方法java_model
屬性的文檔
-
explainedVariance¶ -
返回解釋方差的回歸評分。explainedVariance =\(1 - \壓裂{方差(y - \帽子{y})}{方差(y)} \)
-
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。
-
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。
-
r2¶ -
返回R ^ 2 ^,確定係數。
-
rootMeanSquaredError¶ -
返回根均方誤差,定義為均方誤差的平方根。