ALSModel¶

类 pyspark.ml.recommendation。 ALSModel ( java_model:可选(JavaObject]=没有一个 ) ¶

模型拟合了肌萎缩性侧索硬化症。

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。
`getBlockSize`()	得到的价值blockSize或其默认值。
`getColdStartStrategy`()	得到的价值coldStartStrategy或其默认值。
`getItemCol`()	得到的价值itemCol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。
`getUserCol`()	得到的价值userCol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。
`recommendForAllItems`(numUsers)	返回顶部numUsers用户推荐为每个项目,所有项目。
`recommendForAllUsers`(numItems)	返回顶部numItems项目推荐给每一个用户,为所有用户。
`recommendForItemSubset`(numUsers数据集)	返回顶部numUsers用户推荐为每个项id的输入数据集。
`recommendForUserSubset`(numItems数据集)	返回顶部numItems项目推荐为每个用户id的输入数据集。
`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。
`setBlockSize`(值)	设置的值`blockSize`。
`setColdStartStrategy`(值)	设置的值`coldStartStrategy`。
`setItemCol`(值)	设置的值`itemCol`。
`setPredictionCol`(值)	设置的值`predictionCol`。
`setUserCol`(值)	设置的值`userCol`。
`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

`blockSize`
`coldStartStrategy`
`itemCol`
`itemFactors`	DataFrame存储项因素在两列:id和特性
`参数个数`	返回所有参数命令的名字。
`predictionCol`
`排名`	矩阵的秩分解模型
`userCol`
`userFactors`	DataFrame存储用户因素在两列:id和特性

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。复制和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

getBlockSize ( )→int¶: 得到的价值blockSize或其默认值。

getColdStartStrategy ( )→str¶: 得到的价值coldStartStrategy或其默认值。

getItemCol ( )→str¶: 得到的价值itemCol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。

getUserCol ( )→str¶: 得到的价值userCol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.util.JavaMLReader(RL] ¶: 返回一个MLReader这个类的实例。

recommendForAllItems ( numUsers:int )→pyspark.sql.dataframe.DataFrame¶

返回顶部numUsers用户推荐为每个项目,所有项目。

参数

numUsers int: 每个条目的最大数量的建议

返回

pyspark.sql.DataFrame: DataFrame (itemCol、推荐),建议在哪里存储为一个数组(userCol,评级)的行。

recommendForAllUsers ( numItems:int )→pyspark.sql.dataframe.DataFrame¶

返回顶部numItems项目推荐给每一个用户,为所有用户。

参数

numItems int: 为每个用户最大数量的建议

返回

pyspark.sql.DataFrame: DataFrame (userCol、推荐),建议在哪里存储为一个数组(itemCol,评级)的行。

recommendForItemSubset ( 数据集:pyspark.sql.dataframe.DataFrame,numUsers:int )→pyspark.sql.dataframe.DataFrame¶

返回顶部numUsers用户推荐为每个项id的输入数据集。注意,如果有重复的id输入数据集,只有一组建议每个惟一的id将被归还。

参数

数据集 pyspark.sql.DataFrame: DataFrame包含一列条目id。列名必须匹配itemCol。
numUsers int: 每个条目的最大数量的建议

返回

pyspark.sql.DataFrame: DataFrame (itemCol、推荐),建议在哪里存储为一个数组(userCol,评级)的行。

recommendForUserSubset ( 数据集:pyspark.sql.dataframe.DataFrame,numItems:int )→pyspark.sql.dataframe.DataFrame¶

返回顶部numItems项目推荐为每个用户id的输入数据集。注意,如果有重复的id输入数据集,只有一组建议每个惟一的id将被归还。

参数

数据集 pyspark.sql.DataFrame: 包含一个列DataFrame用户id。列名必须匹配userCol。
numItems int: 为每个用户最大数量的建议

返回

pyspark.sql.DataFrame: DataFrame (userCol、推荐),建议在哪里存储为一个数组(itemCol,评级)的行。

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。

setBlockSize ( 价值:int )→pyspark.ml.recommendation.ALSModel ¶: 设置的值blockSize。

setColdStartStrategy ( 价值:str )→pyspark.ml.recommendation.ALSModel ¶: 设置的值coldStartStrategy。

setItemCol ( 价值:str )→pyspark.ml.recommendation.ALSModel ¶: 设置的值itemCol。

setPredictionCol ( 价值:str )→pyspark.ml.recommendation.ALSModel ¶: 设置的值predictionCol。

setUserCol ( 价值:str )→pyspark.ml.recommendation.ALSModel ¶: 设置的值userCol。

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

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。) ¶

coldStartStrategy :pyspark.ml.param.Param (str) =参数(父母=‘定义’,name = ' coldStartStrategy ', doc = "战略应对未知或新用户/项目预测时间。这可能是有用的在交叉验证或生产场景中,用于处理用户/项目id模型并没有出现在训练数据。支持价值观:‘南’,‘降’。”) ¶

itemCol :pyspark.ml.param.Param (str) =参数(父母=‘定义’,name = ' itemCol ', doc = '列名称条目id。id必须在整数值范围之内。”) ¶

itemFactors ¶: DataFrame存储项因素在两列:id和特性

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。) ¶

排名 ¶: 矩阵的秩分解模型

userCol :pyspark.ml.param.Param (str) =参数(父母=‘定义’,name = ' userCol ',医生为用户id = '列名称。id必须在整数值范围之内。”) ¶

userFactors ¶: DataFrame存储用户因素在两列:id和特性

以前的

肌萎缩性侧索硬化症

下一个

AFTSurvivalRegression