OneVsRest

类 pyspark.ml.classification。 OneVsRest ( *,featuresCol:str=“特性”,labelCol:str=“标签”,predictionCol:str=“预测”,rawPredictionCol:str=“rawPrediction”,分类器:可选(pyspark.ml.classification.Classifier(厘米]]=没有一个,weightCol:可选(str]=没有一个,并行性:int=1 )

减少多级分类二进制分类。减少执行使用一个对所有策略。多级分类与k类,火车k模型(每个类一个)。每个例子是得分对所有k模型和模型与得分最高的是标签的例子了。

例子

> > >从pyspark.sql进口行> > >从pyspark.ml.linalg进口向量> > >data_path=“数据/ mllib / sample_multiclass_classification_data.txt”> > >df=火花。读。格式(“libsvm”)。负载(data_path)> > >lr=LogisticRegression(regParam=0.01)> > >表达=OneVsRest(分类器=lr)> > >表达。getRawPredictionCol()“rawPrediction”> > >表达。setPredictionCol(“newPrediction”)OneVsRest……> > >模型=表达。适合(df)> > >模型。模型(0]。系数DenseVector ([0.5…,-1.0……,3.4……,4。2。。。])> > >模型。模型(1]。系数DenseVector ([-2.1…,3.1……,- - - - - -2。6..., -2.3...])> > >模型。模型(2]。系数DenseVector ([0.3…,-3.4……,1.0……,- - - - - -1。1。。。])> > >(x。拦截为x在模型。模型][-2.7……,- - - - - -2。5..., -1.3...]> > >电平=sc。并行化([行(特性=向量。密集的(- - - - - -1.0,0.0,1.0,1.0))))。toDF()> > >模型。变换(电平)。头()。newPrediction0.0> > >test1=sc。并行化([行(特性=向量。稀疏的(4,(0),(1.0)))))。toDF()> > >模型。变换(test1)。头()。newPrediction2.0> > >test2=sc。并行化([行(特性=向量。密集的(0.5,0.4,0.3,0.2))))。toDF()> > >模型。变换(test2)。头()。newPrediction0.0> > >model_path=temp_path+“/ ovr_model”> > >模型。保存(model_path)> > >model2=OneVsRestModel。负载(model_path)> > >model2。变换(电平)。头()。newPrediction0.0> > >模型。变换(电平)。取(1)= =model2。变换(电平)。取(1)真正的> > >模型。变换(test2)。列[‘功能’,‘rawPrediction’,‘newPrediction’)

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和一个随机生成的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。
适合(数据集[params))	适合一个模型与可选参数的输入数据集。
fitMultiple(paramMaps数据集)	适合一个模型为每个参数映射的输入数据集paramMaps。
getClassifier()	得到的值分类器或其默认值。
getFeaturesCol()	得到的价值featuresCol或其默认值。
getLabelCol()	得到的价值labelCol或其默认值。
getOrDefault(参数)	得到参数的值在用户提供的参数映射或其默认值。
getParallelism()	并行性的价值或其默认值。
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。
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)。
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。
setClassifier(值)	设置的值分类器。
setFeaturesCol(值)	设置的值featuresCol。
setLabelCol(值)	设置的值labelCol。
setParallelism(值)	设置的值并行性。
setparam(* [,labelCol featuresCol…))	setparam(自我,*,featuresCol =“特性”,labelCol =“标签”,predictionCol =“预测”,rawPredictionCol =“rawPrediction”,分类器= None, weightCol =没有并行性= 1):集OneVsRest参数。
setPredictionCol(值)	设置的值predictionCol。
setRawPredictionCol(值)	设置的值rawPredictionCol。
setWeightCol(值)	设置的值weightCol。
写()	返回一个MLWriter实例毫升实例。

属性

分类器
featuresCol
labelCol
并行性
参数个数	返回所有参数命令的名字。
predictionCol
rawPredictionCol
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 )→OneVsRest

创建这个实例的副本和一个随机生成的uid和一些额外的参数。这将创建一个深嵌入式paramMap副本,副本嵌入式和额外的参数。

返回

OneVsRest

这个实例的副本

例子

额外的东西,可选

额外参数复制到新实例

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

适合 ( 数据集:pyspark.sql.dataframe.DataFrame,参数个数:联盟[ParamMap、列表(ParamMap)元组(ParamMap),没有一个)=没有一个 )→联盟(米,列表(米] ]

适合一个模型与可选参数的输入数据集。

参数

数据集 pyspark.sql.DataFrame

输入数据集。

参数个数 dict或列表或元组,可选的

一个可选的参数覆盖嵌入参数的地图。如果列表/元组的参数映射,这适用于每一个参数并返回一个列表的模型映射。

返回

变压器或者一个列表变压器

拟合模型(年代)

fitMultiple ( 数据集:pyspark.sql.dataframe.DataFrame,paramMaps:序列(ParamMap] )→迭代器(元组(int,米] ]

适合一个模型为每个参数映射的输入数据集paramMaps。

参数

数据集 pyspark.sql.DataFrame

输入数据集。

paramMaps collections.abc.Sequence

一系列的参数映射。

返回

_FitMultipleIterator

一个线程安全的iterable包含为每个参数映射模型。每次调用下一个(modelIterator)将返回(指数模型)模型是适合使用在哪里paramMaps(指数)。指数值可能不是连续的。

getClassifier ( )→pyspark.ml.classification.Classifier

得到的值分类器或其默认值。

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。

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。

getParallelism ( )→int

并行性的价值或其默认值。

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。

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)。

classmethod 读 ( )→pyspark.ml.classification.OneVsRestReader

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。

setClassifier ( 价值:pyspark.ml.classification.Classifier(厘米] )→pyspark.ml.classification.OneVsRest

设置的值分类器。

setFeaturesCol ( 价值:str )→pyspark.ml.classification.OneVsRest

设置的值featuresCol。

setLabelCol ( 价值:str )→pyspark.ml.classification.OneVsRest

设置的值labelCol。

setParallelism ( 价值:int )→pyspark.ml.classification.OneVsRest

设置的值并行性。

setparam ( *,featuresCol:str=“特性”,labelCol:str=“标签”,predictionCol:str=“预测”,rawPredictionCol:str=“rawPrediction”,分类器:可选(pyspark.ml.classification.Classifier(厘米]]=没有一个,weightCol:可选(str]=没有一个,并行性:int=1 )→pyspark.ml.classification.OneVsRest

setparam(自我,*,featuresCol =“特性”,labelCol =“标签”,predictionCol =“预测”,rawPredictionCol =“rawPrediction”,分类器= None, weightCol =没有并行性= 1):集OneVsRest参数。

setPredictionCol ( 价值:str )→pyspark.ml.classification.OneVsRest

设置的值predictionCol。

setRawPredictionCol ( 价值:str )→pyspark.ml.classification.OneVsRest

设置的值rawPredictionCol。

setWeightCol ( 价值:str )→pyspark.ml.classification.OneVsRest

设置的值weightCol。

写 ( )→pyspark.ml.util.MLWriter

返回一个MLWriter实例毫升实例。

属性的文档

分类器 =参数(父母=‘定义’,name =“分类”,医生=“基二元分类器”)

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。”)

并行性 =参数(父母=‘定义’,name =“并行性”,医生=数量的线程使用的并行算法运行时(> = 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”。)

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

MultilayerPerceptronClassificationTrainingSummary

下一个

OneVsRestModel