LogisticRegressionSummary¶
-
类
pyspark.ml.classification。LogisticRegressionSummary( java_obj:可选(JavaObject]=没有一个 ) ¶ -
对于一个给定的模型抽象为逻辑回归结果。
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。
返回假阳性率为每个标签(类别)。
字段“预测”,让每个实例的特征向量。
在“预测”,让每个实例的真正的标签。
返回标签按升序的顺序。
回报精度为每个标签(类别)。
在“预测”,给了每个类的预测。
Dataframe模型的输出变换方法。
在“预测”,给每个类作为一个向量的概率。
为每个标签返回召回(类别)。
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)。
-
falsePositiveRateByLabel¶ -
返回假阳性率为每个标签(类别)。
-
featuresCol¶ -
字段“预测”,让每个实例的特征向量。
-
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。
-
precisionByLabel¶ -
回报精度为每个标签(类别)。
-
predictionCol¶ -
在“预测”,给了每个类的预测。
-
预测¶ -
Dataframe模型的输出变换方法。
-
probabilityCol¶ -
在“预测”,给每个类作为一个向量的概率。
-
recallByLabel¶ -
为每个标签返回召回(类别)。
-
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)
-