NaiveBayesModel

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

由NaiveBayes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。
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。
getFeaturesCol()	得到的价值featuresCol或其默认值。
getLabelCol()	得到的价值labelCol或其默认值。
getModelType()	得到的价值modelType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。
getProbabilityCol()	得到的价值probabilityCol或其默认值。
getRawPredictionCol()	得到的价值rawPredictionCol或其默认值。
getSmoothing()	得到平滑的价值或其默认值。
getThresholds()	得到的值阈值或其默认值。
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。
predictProbability(值)	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。
setFeaturesCol(值)	设置的值featuresCol。
setPredictionCol(值)	设置的值predictionCol。
setProbabilityCol(值)	设置的值probabilityCol。
setRawPredictionCol(值)	设置的值rawPredictionCol。
setThresholds(值)	设置的值阈值。
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

featuresCol
labelCol
modelType
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。
π	日志类先验的。
predictionCol
probabilityCol
rawPredictionCol
σ	每个特性的差异。
平滑
θ	日志的类条件概率。
阈值
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

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

getFeaturesCol ( )→str

得到的价值featuresCol或其默认值。

getLabelCol ( )→str

得到的价值labelCol或其默认值。

getModelType ( )→str

得到的价值modelType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。

getSmoothing ( )→浮动

得到平滑的价值或其默认值。

getThresholds ( )→列表(浮动]

得到的值阈值或其默认值。

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。

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。

setThresholds ( 价值:列表(浮动] )→厘米

设置的值阈值。

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

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

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

modelType =参数(父母=‘定义’,name = ' modelType ', doc = '的模型类型是一个字符串(大小写敏感)。支持选项:多项(默认)、伯努利和高斯。”)

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。

π

日志类先验的。

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

probabilityCol :Param (str) =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”。)

σ

每个特性的差异。

平滑 =参数(父母=‘定义’,name =“平滑”,医生=的平滑参数,应该是> = 0,默认是1.0”)

θ

日志的类条件概率。

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。”)

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

NaiveBayes

下一个

MultilayerPerceptronClassifier