LinearSVCModel¶

类 pyspark.ml.classification。 LinearSVCModel ( java_model:可选(JavaObject]=没有一个 ) ¶

由LinearSVC模型拟合。

方法

`清晰的`(参数)	清除参数映射的参数是否被显式地设置。
`复制`((额外的))	创建这个实例的副本具有相同uid和一些额外的参数。
`评估`(数据集)	评估模型的测试数据集。
`explainParam`(参数)	解释一个参数并返回它的名字,医生,和可选的默认值,用户提供的字符串值。
`explainParams`()	返回文档的所有参数选择默认值和用户提供的值。
`extractParamMap`((额外的))	提取嵌入默认参数值和用户提供的值,然后合并他们额外的值从输入平面参数映射,后者使用价值如果存在冲突,即。排序:默认参数值< <额外的用户提供的值。
`getAggregationDepth`()	得到的价值aggregationDepth或其默认值。
`getFeaturesCol`()	得到的价值featuresCol或其默认值。
`getFitIntercept`()	得到的价值fitIntercept或其默认值。
`getLabelCol`()	得到的价值labelCol或其默认值。
`getMaxBlockSizeInMB`()	得到的价值maxBlockSizeInMB或其默认值。
`getMaxIter`()	麦克斯特的价值或其默认值。
`getOrDefault`(参数)	得到参数的值在用户提供的参数映射或其默认值。
`getParam`(paramName)	通过它的名称参数。
`getPredictionCol`()	得到的价值predictionCol或其默认值。
`getRawPredictionCol`()	得到的价值rawPredictionCol或其默认值。
`getRegParam`()	得到的价值regParam或其默认值。
`getStandardization`()	被标准化的价值或其默认值。
`getThreshold`()	得到的值阈值或其默认值。
`getTol`()	被托尔的价值或其默认值。
`getWeightCol`()	得到的价值weightCol或其默认值。
`hasDefault`(参数)	检查是否一个参数有默认值。
`hasParam`(paramName)	测试这个实例包含一个参数是否与给定名称(字符串)。
`isDefined`(参数)	检查参数是否由用户或显式地设置一个默认值。
`收取`(参数)	检查参数是否由用户显式地设置。
`负载`(路径)	从输入路径,读取一个毫升实例的快捷方式read () .load(路径)。
`预测`(值)	预测给定特性的标签。
`predictRaw`(值)	原始预测为每个可能的标签。
`读`()	返回一个MLReader这个类的实例。
`保存`(路径)	这个毫升实例保存到给定的路径,一个快捷方式的“写().save(路径)。
`集`(参数值)	设置一个参数嵌入参数映射。
`setFeaturesCol`(值)	设置的值`featuresCol`。
`setPredictionCol`(值)	设置的值`predictionCol`。
`setRawPredictionCol`(值)	设置的值`rawPredictionCol`。
`setThreshold`(值)	设置的值`阈值`。
`总结`()	总结(精度/精密/召回,客观历史,总迭代)模型在训练集上训练。
`变换`(数据集[params))	与可选参数转换的输入数据集。
`写`()	返回一个MLWriter实例毫升实例。

属性

`aggregationDepth`
`系数`	模型系数的线性支持向量机分类器。
`featuresCol`
`fitIntercept`
`hasSummary`	表明这个模型实例是否存在一个培训总结。
`拦截`	模型线性SVM分类器的拦截。
`labelCol`
`maxBlockSizeInMB`
`麦克斯特`
`numClasses`	数量的类标签可以(值)。
`numFeatures`	返回的数量特征模型训练。
`参数个数`	返回所有参数命令的名字。
`predictionCol`
`rawPredictionCol`
`regParam`
`标准化`
`阈值`
`托尔`
`weightCol`

方法的文档

清晰的 ( 参数:pyspark.ml.param.Param )→没有¶: 清除参数映射的参数是否被显式地设置。

复制 ( 额外的:可选(ParamMap]=没有一个 )→摩根大通¶

创建这个实例的副本具有相同uid和一些额外的参数。这个实现第一次调用参数。复制and then make a copy of the companion Java pipeline component with extra params. So both the Python wrapper and the Java pipeline component get copied.

参数

额外的 东西,可选: 额外参数复制到新实例

返回

JavaParams: 这个实例的副本

评估 ( 数据集:pyspark.sql.dataframe.DataFrame )→pyspark.ml.classification.LinearSVCSummary ¶

评估模型的测试数据集。

参数

数据集 pyspark.sql.DataFrame: 测试数据集对模型进行评估。

explainParam ( 参数:联盟(str,pyspark.ml.param.Param] )→str¶: 解释一个参数并返回它的名字,医生,和可选的默认值,用户提供的字符串值。

explainParams ( )→str¶: 返回文档的所有参数选择默认值和用户提供的值。

extractParamMap ( 额外的:可选(ParamMap]=没有一个 )→ParamMap¶

提取嵌入默认参数值和用户提供的值,然后合并他们额外的值从输入平面参数映射,后者使用价值如果存在冲突,即。排序:默认参数值< <额外的用户提供的值。

参数

额外的 东西,可选: 额外的参数值

返回

dict: 合并后的参数映射

getAggregationDepth ( )→int¶: 得到的价值aggregationDepth或其默认值。

getFeaturesCol ( )→str¶: 得到的价值featuresCol或其默认值。

getFitIntercept ( )→bool¶: 得到的价值fitIntercept或其默认值。

getLabelCol ( )→str¶: 得到的价值labelCol或其默认值。

getMaxBlockSizeInMB ( )→浮动¶: 得到的价值maxBlockSizeInMB或其默认值。

getMaxIter ( )→int¶: 麦克斯特的价值或其默认值。

getOrDefault ( 参数:联盟(str,pyspark.ml.param.Param(T]] )→联盟(任何,T] ¶: 得到参数的值在用户提供的参数映射或其默认值。如果没有设置提出了一个错误。

getParam ( paramName:str )→pyspark.ml.param.Param ¶: 通过它的名称参数。

getPredictionCol ( )→str¶: 得到的价值predictionCol或其默认值。

getRawPredictionCol ( )→str¶: 得到的价值rawPredictionCol或其默认值。

getRegParam ( )→浮动¶: 得到的价值regParam或其默认值。

getStandardization ( )→bool¶: 被标准化的价值或其默认值。

getThreshold ( )→浮动¶: 得到的值阈值或其默认值。

getTol ( )→浮动¶: 被托尔的价值或其默认值。

getWeightCol ( )→str¶: 得到的价值weightCol或其默认值。

hasDefault ( 参数:联盟(str,pyspark.ml.param.Param(任何]] )→bool¶: 检查是否一个参数有默认值。

hasParam ( paramName:str )→bool¶: 测试这个实例包含一个参数是否与给定名称(字符串)。

isDefined ( 参数:联盟(str,pyspark.ml.param.Param(任何]] )→bool¶: 检查参数是否由用户或显式地设置一个默认值。

收取 ( 参数:联盟(str,pyspark.ml.param.Param(任何]] )→bool¶: 检查参数是否由用户显式地设置。

classmethod 负载 ( 路径:str )→RL¶: 从输入路径,读取一个毫升实例的快捷方式read () .load(路径)。

预测 ( 价值:T )→浮动¶: 预测给定特性的标签。

predictRaw ( 价值:pyspark.ml.linalg.Vector )→pyspark.ml.linalg.Vector ¶: 原始预测为每个可能的标签。

classmethod 读 ( )→pyspark.ml.util.JavaMLReader(RL] ¶: 返回一个MLReader这个类的实例。

保存 ( 路径:str )→没有¶: 这个毫升实例保存到给定的路径,一个快捷方式的“写().save(路径)。

集 ( 参数:pyspark.ml.param.Param,价值:任何 )→没有¶: 设置一个参数嵌入参数映射。

setFeaturesCol ( 价值:str )→P¶: 设置的值featuresCol。

setPredictionCol ( 价值:str )→P¶: 设置的值predictionCol。

setRawPredictionCol ( 价值:str )→P¶: 设置的值rawPredictionCol。

setThreshold ( 价值:浮动 )→pyspark.ml.classification.LinearSVCModel ¶: 设置的值阈值。

总结 ( )→pyspark.ml.classification.LinearSVCTrainingSummary ¶: 总结(精度/精密/召回,客观历史,总迭代)模型对训练集训练。如果是一个例外trainingSummary没有。

变换 ( 数据集:pyspark.sql.dataframe.DataFrame,参数个数:可选(ParamMap]=没有一个 )→pyspark.sql.dataframe.DataFrame¶

与可选参数转换的输入数据集。

参数

数据集 pyspark.sql.DataFrame: 输入数据集
参数个数 东西,可选: 一个可选的参数覆盖嵌入参数的地图。

返回

pyspark.sql.DataFrame: 改变了数据集

写 ( )→pyspark.ml.util.JavaMLWriter¶: 返回一个MLWriter实例毫升实例。

属性的文档

aggregationDepth =参数(父母=‘定义’,name = ' aggregationDepth ', doc =的建议深度treeAggregate (> = 2)。) ¶

系数 ¶: 模型系数的线性支持向量机分类器。

featuresCol =参数(父母=‘定义’,name = ' featuresCol ', doc =功能列名称。) ¶

fitIntercept =参数(父母=‘定义’,name = ' fitIntercept ', doc =是否适合一个截距项。) ¶

hasSummary ¶: 表明这个模型实例是否存在一个培训总结。

拦截 ¶: 模型线性SVM分类器的拦截。

labelCol =参数(父母=‘定义’,name = ' labelCol ', doc =“标签列名。”) ¶

maxBlockSizeInMB =参数(父母=‘定义’,name = ' maxBlockSizeInMB ',医生在MB = '最大内存叠加输入数据块。数据分区内堆放。如果超过剩余的数据大小的分区是调整大小的数据。默认0.0代表了选择最优值,取决于特定的算法。必须> = 0”。) ¶

麦克斯特 =参数(父母=‘定义’,name =“麦克斯特”,医生=“马克斯(> = 0)的迭代次数。) ¶

numClasses ¶: 数量的类标签可以(值)。

numFeatures ¶: 返回的数量特征模型训练。如果未知,返回1

参数个数 ¶: 返回所有参数命令的名字。默认实现使用dir ()所有的属性类型参数。

predictionCol =参数(父母=‘定义’,name = ' predictionCol ', doc =预测列名称。) ¶

rawPredictionCol =参数(父母=‘定义’,name = ' rawPredictionCol ', doc =“原始预测(又名信心)列名”。) ¶

regParam =参数(父母=‘定义’,name = ' regParam ', doc =“正则化参数(> = 0)”。) ¶

标准化 =参数(父母=‘定义’,name =“标准化”,医生=是否规范培训特性拟合模型之前。) ¶

阈值 :pyspark.ml.param.Param(浮动) =参数(父母=‘定义’,name =“阈值”,医生= '以二进制分类阈值应用到线性模型预测。这个阈值可以是任何实数,正将所有预测0.0和1.0负无穷将使所有的预测。”) ¶

托尔 =参数(父母=‘定义’,name =“托尔”,医生=迭代算法的收敛公差(> = 0)”。) ¶

weightCol =参数(父母=‘定义’,name = ' weightCol ', doc = '体重列名。如果这不是设置或空,我们对所有实例权重为1.0。”) ¶

以前的

LinearSVC

下一个

LinearSVCSummary