FMRegressor

类 pyspark.ml.regression。 FMRegressor ( *,featuresCol:str=“特性”,labelCol:str=“标签”,predictionCol:str=“预测”,factorSize:int=8,fitIntercept:bool=真正的,fitLinear:bool=真正的,regParam:浮动=0.0,miniBatchFraction:浮动=1.0,initStd:浮动=0.01,麦克斯特:int=One hundred.,stepSize:浮动=1.0,托尔:浮动=1 e-06,解算器:str=“adamW”,种子:可选(int]=没有一个 )

分解机器学习算法的回归。

解算器支持:

• gd(正常mini-batch梯度下降法)

• adamW(默认)

例子

> > >从pyspark.ml.linalg进口向量> > >从pyspark.ml.regression进口FMRegressor> > >df=火花。createDataFrame([…(2.0,向量。密集的(2.0)),…(1.0,向量。密集的(1.0)),…(0.0,向量。稀疏的(1,[],[]))),(“标签”,“特征”])> > >> > >调频=FMRegressor(factorSize=2)> > >调频。setSeed(16)FMRegressor……> > >模型=调频。适合(df)> > >模型。getMaxIter()One hundred.> > >电平=火花。createDataFrame([…(向量。密集的(- - - - - -2.0),),…(向量。密集的(0.5),),…(向量。密集的(1.0),),…(向量。密集的(4.0),),(“特征”])> > >模型。变换(电平)。显示(10,假)+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +| | |特性预测+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +-1.9989237712341565 (-2.0)| | |0.4956682219523814 (0.5)| | |0.994586620589689 (1.0)| | |3.9880970124135344 (4.0)| | |+ - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +…> > >模型。拦截-0.0032501766849261557> > >模型。线性DenseVector ([0.9978])> > >模型。因素DenseMatrix (1、2、[0.0173, 0.0021], 1)> > >model_path=temp_path+“/ fm_model”> > >模型。保存(model_path)> > >model2=FMRegressionModel。负载(model_path)> > >model2。拦截-0.0032501766849261557> > >model2。线性DenseVector ([0.9978])> > >model2。因素DenseMatrix (1、2、[0.0173, 0.0021], 1)> > >模型。变换(电平)。取(1)= =model2。变换(电平)。取(1)真正的

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。
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。
getFactorSize()	得到的价值factorSize或其默认值。
getFeaturesCol()	得到的价值featuresCol或其默认值。
getFitIntercept()	得到的价值fitIntercept或其默认值。
getFitLinear()	得到的价值fitLinear或其默认值。
getInitStd()	得到的价值initStd或其默认值。
getLabelCol()	得到的价值labelCol或其默认值。
getMaxIter()	麦克斯特的价值或其默认值。
getMiniBatchFraction()	得到的价值miniBatchFraction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。
getRegParam()	得到的价值regParam或其默认值。
getSeed()	种子的价值或其默认值。
getSolver()	得到解决的价值或其默认值。
getStepSize()	得到的价值stepSize或其默认值。
getTol()	被托尔的价值或其默认值。
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)。
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。
setFactorSize(值)	设置的值factorSize。
setFeaturesCol(值)	设置的值featuresCol。
setFitIntercept(值)	设置的值fitIntercept。
setFitLinear(值)	设置的值fitLinear。
setInitStd(值)	设置的值initStd。
setLabelCol(值)	设置的值labelCol。
setMaxIter(值)	设置的值麦克斯特。
setMiniBatchFraction(值)	设置的值miniBatchFraction。
setparam(自我,\ [,labelCol featuresCol…))	FMRegressor设置参数。
setPredictionCol(值)	设置的值predictionCol。
setRegParam(值)	设置的值regParam。
setSeed(值)	设置的值种子。
setSolver(值)	设置的值解算器。
setStepSize(值)	设置的值stepSize。
setTol(值)	设置的值托尔。
写()	返回一个MLWriter实例毫升实例。

属性

factorSize
featuresCol
fitIntercept
fitLinear
initStd
labelCol
麦克斯特
miniBatchFraction
参数个数	返回所有参数命令的名字。
predictionCol
regParam
种子
解算器
stepSize
托尔
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

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。

getFactorSize ( )→int

得到的价值factorSize或其默认值。

getFeaturesCol ( )→str

得到的价值featuresCol或其默认值。

getFitIntercept ( )→bool

得到的价值fitIntercept或其默认值。

getFitLinear ( )→bool

得到的价值fitLinear或其默认值。

getInitStd ( )→浮动

得到的价值initStd或其默认值。

getLabelCol ( )→str

得到的价值labelCol或其默认值。

getMaxIter ( )→int

麦克斯特的价值或其默认值。

getMiniBatchFraction ( )→浮动

得到的价值miniBatchFraction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。

getRegParam ( )→浮动

得到的价值regParam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。

getTol ( )→浮动

被托尔的价值或其默认值。

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)。

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。

setFactorSize ( 价值:int )→pyspark.ml.regression.FMRegressor

设置的值factorSize。

setFeaturesCol ( 价值:str )→P

设置的值featuresCol。

setFitIntercept ( 价值:bool )→pyspark.ml.regression.FMRegressor

设置的值fitIntercept。

setFitLinear ( 价值:bool )→pyspark.ml.regression.FMRegressor

设置的值fitLinear。

setInitStd ( 价值:浮动 )→pyspark.ml.regression.FMRegressor

设置的值initStd。

setLabelCol ( 价值:str )→P

设置的值labelCol。

setMaxIter ( 价值:int )→pyspark.ml.regression.FMRegressor

设置的值麦克斯特。

setMiniBatchFraction ( 价值:浮动 )→pyspark.ml.regression.FMRegressor

设置的值miniBatchFraction。

setparam ( 自我,\ *,featuresCol = "特性",labelCol = "标签",predictionCol = "预测",factorSize = 8,fitIntercept = True,fitLinear = True,regParam = 0.0,miniBatchFraction = 1.0,initStd = 0.01,麦克斯特= 100,stepSize = 1.0,托尔= 1 e-6,解算器= " adamW ",种子=没有 )

FMRegressor设置参数。

setPredictionCol ( 价值:str )→P

设置的值predictionCol。

setRegParam ( 价值:浮动 )→pyspark.ml.regression.FMRegressor

设置的值regParam。

setSeed ( 价值:int )→pyspark.ml.regression.FMRegressor

设置的值种子。

setSolver ( 价值:str )→pyspark.ml.regression.FMRegressor

设置的值解算器。

setStepSize ( 价值:浮动 )→pyspark.ml.regression.FMRegressor

设置的值stepSize。

setTol ( 价值:浮动 )→pyspark.ml.regression.FMRegressor

设置的值托尔。

写 ( )→pyspark.ml.util.JavaMLWriter

返回一个MLWriter实例毫升实例。

属性的文档

factorSize =参数(父母=‘定义’,name = ' factorSize ', doc =的系数向量的维数,用于得到两两变量之间的相互作用的)

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

fitIntercept =参数(父母=‘定义’,name = ' fitIntercept ', doc =是否适合一个截距项。)

fitLinear =参数(父母=‘定义’,name = ' fitLinear ', doc =是否适合线性项)”(即1路的词)

initStd =参数(父母=‘定义’,name = ' initStd ', doc =初始系数的标准差)

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

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。)

miniBatchFraction =参数(父母=‘定义’,name = ' miniBatchFraction ', doc =分数的输入数据集应该用于一个迭代的梯度下降法)

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。)

regParam =参数(父母=‘定义’,name = ' regParam ', doc =“正则化参数(> = 0)”。)

种子 =参数(父母=‘定义’,name =“种子”,医生=“随机种子。”)

解算器 =参数(父母=‘定义’,name =“规划求解”,医生= '优化的求解算法。支持选择:adamW gd。(默认adamW)”)

stepSize =参数(父母=‘定义’,name = ' stepSize ', doc =的每个迭代步长用于优化(> = 0)”。)

托尔 =参数(父母=‘定义’,name =“托尔”,医生=迭代算法的收敛公差(> = 0)”。)

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

RandomForestRegressionModel

下一个

FMRegressionModel