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。
-