MultilabelClassificationEvaluator¶
-
类
pyspark.ml.evaluation。
MultilabelClassificationEvaluator
( *,predictionCol:str=“预测”,labelCol:str=“标签”,metricName:MultilabelClassificationEvaluatorMetricType=“f1Measure”,metricLabel:浮动=0.0 ) ¶ -
Multilabel分类评估者,预计两个输入列:预测和标签。
笔记
实验
例子
> > >scoreAndLabels=(((0.0,1.0),(0.0,2.0]),([0.0,2.0),(0.0,1.0]),…([],(0.0]),([2.0),(2.0]),([2.0,0.0),(2.0,0.0]),…([0.0,1.0,2.0),(0.0,1.0]),([1.0),(1.0,2.0)))> > >数据集=火花。createDataFrame(scoreAndLabels,(“预测”,“标签”])…> > >评估者=MultilabelClassificationEvaluator()> > >评估者。setPredictionCol(“预测”)MultilabelClassificationEvaluator……> > >评估者。评估(数据集)0.63……> > >评估者。评估(数据集,{评估者。metricName:“准确性”})0.54……> > >mlce_path=temp_path+“/ mlce”> > >评估者。保存(mlce_path)> > >evaluator2=MultilabelClassificationEvaluator。负载(mlce_path)> > >str(evaluator2。getPredictionCol())“预测”
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[params))评估可选参数的输出。
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labelCol或其默认值。
得到的价值metricLabel或其默认值。
得到的价值metricName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。
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。
指示是否返回的度量
evaluate ()
应该最大化(真的,默认情况下)或最小化(假)。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。
setLabelCol
(值)设置的值
labelCol
。设置的值
metricLabel
。设置的值
metricName
。setparam
(自我\ * (predictionCol,…))设置参数为multilabel分类评估者。
设置的值
predictionCol
。写
()返回一个MLWriter实例毫升实例。
属性
返回所有参数命令的名字。
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,参数个数:可选(ParamMap]=没有一个 )→浮动¶ -
评估可选参数的输出。
- 参数
-
-
数据集
pyspark.sql.DataFrame
-
一个数据集,其中包含标签/观察和预测
- 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
-
- 浮动
-
度规
-
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
-
getLabelCol
( )→str¶ -
得到的价值labelCol或其默认值。
-
getMetricLabel
( )→浮动¶ -
得到的价值metricLabel或其默认值。
-
getMetricName
( )→MultilabelClassificationEvaluatorMetricType¶ -
得到的价值metricName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。
-
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。
-
isLargerBetter
( )→bool¶ -
指示是否返回的度量
evaluate ()
应该最大化(真的,默认情况下)或最小化(假)。给定的评估者可以支持多个指标可能最大化或最小化。
-
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.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。
-
setLabelCol
( 价值:str )→pyspark.ml.evaluation.MultilabelClassificationEvaluator ¶ -
设置的值
labelCol
。
-
setMetricLabel
( 价值:浮动 )→pyspark.ml.evaluation.MultilabelClassificationEvaluator ¶ -
设置的值
metricLabel
。
-
setMetricName
( 价值:MultilabelClassificationEvaluatorMetricType )→MultilabelClassificationEvaluator¶ -
设置的值
metricName
。
-
setparam
( 自我,\ *,predictionCol = "预测",labelCol = "标签",metricName = " f1Measure ",metricLabel = 0.0 ) ¶ -
设置参数为multilabel分类评估者。
-
setPredictionCol
( 价值:str )→pyspark.ml.evaluation.MultilabelClassificationEvaluator ¶ -
设置的值
predictionCol
。
-
写
( )→pyspark.ml.util.JavaMLWriter¶ -
返回一个MLWriter实例毫升实例。
属性的文档
-
labelCol
=参数(父母=‘定义’,name = ' labelCol ', doc =“标签列名。”) ¶
-
metricLabel
:pyspark.ml.param.Param(浮动) =参数(父母=‘定义’,name = ' metricLabel ', doc = '的类指标将计算在precisionByLabel | recallByLabel | f1MeasureByLabel。必须> = 0。默认值是0。”) ¶
-
metricName
:pyspark.ml.param.Param MultilabelClassificationEvaluatorMetricType =参数(父母=‘定义’,name = ' metricName ', doc =”在评价指标的名字(subsetAccuracy精度| | hammingLoss精度| |回忆| f1Measure | precisionByLabel | recallByLabel | f1MeasureByLabel | microPrecision | microRecall | microF1Measure)”) ¶
-
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。) ¶
-