MultilayerPerceptronClassificationModel¶
-
类
pyspark.ml.classification。
MultilayerPerceptronClassificationModel
( java_model:可选(JavaObject]=没有一个 ) ¶ -
由MultilayerPerceptronClassifier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。
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。
得到的价值blockSize或其默认值。
得到的价值featuresCol或其默认值。
得到的价值initialWeights或其默认值。
得到的价值labelCol或其默认值。
获得的价值层或其默认值。
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。
得到的价值predictionCol或其默认值。
得到的价值probabilityCol或其默认值。
得到的价值rawPredictionCol或其默认值。
getSeed
()种子的价值或其默认值。
得到解决的价值或其默认值。
得到的价值stepSize或其默认值。
得到的值阈值或其默认值。
getTol
()被托尔的价值或其默认值。
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。
每个类的概率预测的功能。
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。
设置的值
featuresCol
。设置的值
predictionCol
。设置的值
probabilityCol
。设置的值
rawPredictionCol
。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
表明这个模型实例是否存在一个培训总结。
数量的类标签可以(值)。
返回的数量特征模型训练。
返回所有参数命令的名字。
层的权重。
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.MultilayerPerceptronClassificationSummary ¶ -
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。
-
数据集
-
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
-
getBlockSize
( )→int¶ -
得到的价值blockSize或其默认值。
-
getFeaturesCol
( )→str¶ -
得到的价值featuresCol或其默认值。
-
getInitialWeights
( )→pyspark.ml.linalg.Vector ¶ -
得到的价值initialWeights或其默认值。
-
getLabelCol
( )→str¶ -
得到的价值labelCol或其默认值。
-
getLayers
( )→列表(int] ¶ -
获得的价值层或其默认值。
-
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。
-
getProbabilityCol
( )→str¶ -
得到的价值probabilityCol或其默认值。
-
getRawPredictionCol
( )→str¶ -
得到的价值rawPredictionCol或其默认值。
-
getSeed
( )→int¶ -
种子的价值或其默认值。
-
getSolver
( )→str¶ -
得到解决的价值或其默认值。
-
getStepSize
( )→浮动¶ -
得到的价值stepSize或其默认值。
-
getThresholds
( )→列表(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。
-
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。
-
predictProbability
( 价值:pyspark.ml.linalg.Vector )→pyspark.ml.linalg.Vector ¶ -
每个类的概率预测的功能。
-
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
。
-
setProbabilityCol
( 价值:str )→厘米¶ -
设置的值
probabilityCol
。
-
setRawPredictionCol
( 价值:str )→P¶ -
设置的值
rawPredictionCol
。
-
总结
( )→pyspark.ml.classification.MultilayerPerceptronClassificationTrainingSummary ¶ -
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。
-
数据集
- 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
-
blockSize
=参数(父母=‘定义’,name = ' blockSize ', doc = '叠加输入数据块大小的矩阵。数据分区内堆放。如果超过剩余的数据块大小调整一个分区那么这个数据的大小。) ¶
-
featuresCol
=参数(父母=‘定义’,name = ' featuresCol ', doc =功能列名称。) ¶
-
hasSummary
¶ -
表明这个模型实例是否存在一个培训总结。
-
initialWeights
:pyspark.ml.param.Param pyspark.ml.linalg.Vector =参数(父母=‘定义’,name = ' initialWeights ', doc =的初始权重模型。) ¶
-
labelCol
=参数(父母=‘定义’,name = ' labelCol ', doc =“标签列名。”) ¶
-
层
:pyspark.ml.param.Param(列表(int)) =参数(父母=‘定义’,name =“层”,医生=”大小的层从输入层到输出层如数组(780、100、10)意味着780输入,一个与100个神经元隐层和输出层的神经元”。) ¶
-
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。) ¶
-
probabilityCol
=参数(父母=‘定义’,name = ' probabilityCol ', doc = '列名为预测类条件概率。注意:并不是所有的模型输出精确校准的概率估计!这些概率应该被视为机密,而不是精确的概率。”) ¶
-
rawPredictionCol
=参数(父母=‘定义’,name = ' rawPredictionCol ', doc =“原始预测(又名信心)列名”。) ¶
-
种子
=参数(父母=‘定义’,name =“种子”,医生=“随机种子。”) ¶
-
解算器
:pyspark.ml.param.Param (str) =参数(父母=‘定义’,name =“规划求解”,医生= '优化的求解算法。支持选择:l-bfgs, gd。”) ¶
-
stepSize
=参数(父母=‘定义’,name = ' stepSize ', doc =的每个迭代步长用于优化(> = 0)”。) ¶
-
阈值
=参数(父母=‘定义’,name =“阈值”,医生=“多层次分类阈值调整的概率预测每个类。数组长度必须等于类的数量,最多值> 0,除了一个值可能是0。类最大的值p / t是预测,p是原始类和t的概率是类的门槛。”) ¶
-
托尔
=参数(父母=‘定义’,name =“托尔”,医生=迭代算法的收敛公差(> = 0)”。) ¶
-
权重
¶ -
层的权重。
-