IsotonicRegressionModel¶
-
類
pyspark.mllib.regression。IsotonicRegressionModel( 邊界:numpy.ndarray,預測:numpy.ndarray,等張:bool ) ¶ -
回歸模型的等張回歸。
- 參數
-
- 邊界 ndarray
-
數組的邊界預測是已知的。邊界必須進行排序在增加訂單。
- 預測 ndarray
-
數組的邊界在同一指數相關預測。保序回歸的結果,因此單調。
- 等張 真正的
-
表明這是等滲或反序。
例子
> > >數據=((1,0,1),(2,1,1),(3,2,1),(1,3,1),(6,4,1),(17,5,1),(16,6,1)]> > >irm=IsotonicRegression。火車(sc。並行化(數據))> > >irm。預測(3)2.0> > >irm。預測(5)16.5> > >irm。預測(sc。並行化([3,5)))。收集()[2.0,16.5]> > >進口操作係統,tempfile> > >路徑=tempfile。mkdtemp()> > >irm。保存(sc,路徑)> > >sameModel=IsotonicRegressionModel。負載(sc,路徑)> > >sameModel。預測(3)2.0> > >sameModel。預測(5)16.5> > >從shutil進口rmtree> > >試一試:…rmtree(路徑)…除了OSError:…通過
方法
負載(sc路徑)加載一個IsotonicRegressionModel。
預測(x)預測提供特性的標簽。
保存(sc路徑)保存一個IsotonicRegressionModel。
方法的文檔
-
classmethod
負載( sc:pyspark.context.SparkContext,路徑:str )→pyspark.mllib.regression.IsotonicRegressionModel ¶ -
加載一個IsotonicRegressionModel。
-
預測( x:聯盟(浮動,VectorLike,pyspark.rdd.RDD(浮動],pyspark.rdd.RDD(VectorLike]] )→聯盟(numpy.float64,numpy.ndarray,pyspark.rdd.RDD(numpy.float64] ,pyspark.rdd.RDD(numpy.ndarray] ] ¶ -
預測提供特性的標簽。使用分段線性函數。1)如果x完全匹配邊界然後返回相關的預測。如果有多個相同的預測邊界然後返回其中一個。哪一個是未定義(java.util.Arrays.binarySearch一樣)。2)如果x是低或高於所有邊界分別返回然後姓或預測。如果有多個相同的預測邊界分別返回然後最低或最高。3)如果x介於兩個值在數組邊界預測作為分段線性函數和插值返回值。如果有多個值具有相同的邊界使用同樣的規則2)。
- 參數
-
-
x
pyspark.mllib.linalg.Vector或pyspark.RDD -
特性或抽樣的功能標記。
-
x
-
保存( sc:pyspark.context.SparkContext,路徑:str )→沒有¶ -
保存一個IsotonicRegressionModel。