FMClassificationSummary¶
-
类
pyspark.ml.classification。FMClassificationSummary( java_obj:可选(JavaObject]=没有一个 ) ¶ -
抽象FMClassifier结果对于一个给定的模型。
方法
fMeasureByLabel([测试])为每个标签返回f-measure(类别)。
weightedFMeasure([测试])加权平均f-measure回报。
属性
返回的准确性。
计算接受者操作特征(ROC)曲线下的面积。
返回一个dataframe与两个字段(阈值,F-Measure)曲线与β= 1.0。
返回假阳性率为每个标签(类别)。
在“预测”,让每个实例的真正的标签。
返回标签按升序的顺序。
返回precision-recall曲线,它是一个包含两个字段Dataframe记得,精度(0.0,1.0)前缀。
回报精度为每个标签(类别)。
返回一个dataframe与两个字段(阈值,精度)曲线。
在“预测”,给了每个类的预测。
Dataframe模型的输出变换方法。
为每个标签返回召回(类别)。
返回一个dataframe与两个字段(阈值,召回)曲线。
返回接受者操作特征(ROC)曲线,这是一个Dataframe有两个字段(玻璃钢,TPR)前缀(0.0,0.0)和(1.0,1.0)附加到它。
在“预测”,给了每个类的概率或生预测作为一个向量。
返回true积极率为每个标签(类别)。
在“预测”,让每个实例作为一个向量的重量。
返回加权假阳性率。
返回加权平均精度。
返回加权平均召回。
返回加权真阳性率。
方法的文档
-
fMeasureByLabel( β:浮动=1.0 )→列表(浮动] ¶ -
为每个标签返回f-measure(类别)。
-
weightedFMeasure( β:浮动=1.0 )→浮动¶ -
加权平均f-measure回报。
属性的文档
-
精度¶ -
返回的准确性。(等于总数正确分类实例总数的实例)。
-
areaUnderROC¶ -
计算接受者操作特征(ROC)曲线下的面积。
-
fMeasureByThreshold¶ -
返回一个dataframe与两个字段(阈值,F-Measure)曲线与β= 1.0。
-
falsePositiveRateByLabel¶ -
返回假阳性率为每个标签(类别)。
-
labelCol¶ -
在“预测”,让每个实例的真正的标签。
-
标签¶ -
返回标签按升序的顺序。这个订单与订单用于度量在标签指定为数组,例如,truePositiveRateByLabel。
笔记
在大多数情况下,它将值{0.0,1.0,…,numClasses-1},然而,如果训练集是失踪的一个标签,那么所有数组的标签(例如,从truePositiveRateByLabel)将长度numClasses-1 numClasses相反的预期。
-
公关¶ -
返回precision-recall曲线,它是一个包含两个字段Dataframe记得,精度(0.0,1.0)前缀。
-
precisionByLabel¶ -
回报精度为每个标签(类别)。
-
precisionByThreshold¶ -
返回一个dataframe与两个字段(阈值,精度)曲线。每一个可能的概率获得在转换中使用的数据集作为阈值计算精度。
-
predictionCol¶ -
在“预测”,给了每个类的预测。
-
预测¶ -
Dataframe模型的输出变换方法。
-
recallByLabel¶ -
为每个标签返回召回(类别)。
-
recallByThreshold¶ -
返回一个dataframe与两个字段(阈值,召回)曲线。每一个可能的概率获得在转换中使用的数据集作为阈值计算召回。
-
scoreCol¶ -
在“预测”,给了每个类的概率或生预测作为一个向量。
-
truePositiveRateByLabel¶ -
返回true积极率为每个标签(类别)。
-
weightCol¶ -
在“预测”,让每个实例作为一个向量的重量。
-
weightedFalsePositiveRate¶ -
返回加权假阳性率。
-
weightedPrecision¶ -
返回加权平均精度。
-
weightedRecall¶ -
返回加权平均召回。(等于精度、召回和f-measure)
-
weightedTruePositiveRate¶ -
返回加权真阳性率。(等于精度、召回和f-measure)
-