GeneralizedLinearRegressionTrainingSummary¶
-
类
pyspark.ml.regression。
GeneralizedLinearRegressionTrainingSummary
( java_obj:可选(JavaObject]=没有一个 ) ¶ -
广义线性回归训练的结果。
方法
残差
([residualsType])得到残差拟合模型的类型。
属性
Akaike的“信息准则”(AIC)拟合模型。
标准估计误差系数和拦截。
的自由度。
拟合模型的异常。
安装的色散模型。
零模型的异常。
DataFrame的实例数量预测。
训练的迭代的数量。
双面的假定值的估计系数和拦截。
场
预测
它给每个实例的预测价值。模型的预测输出变换方法。
拟合的数值秩线性模型。
剩余的自由度。
空的剩余自由度模型。
培训使用的数值解算器。
t统计量的估计系数和拦截。
方法的文档
-
残差
( residualsType:str=“异常” )→pyspark.sql.dataframe.DataFrame¶ -
得到残差拟合模型的类型。
- 参数
-
- residualsType str,可选
-
残差,应该返回的类型。支持选择:异常(默认),皮尔森,工作,和响应。
属性的文档
-
另类投资会议
¶ -
Akaike的“信息准则”(AIC)拟合模型。
-
coefficientStandardErrors
¶ -
标准估计误差系数和拦截。
如果
GeneralizedLinearRegression.fitIntercept
设置为True,那么返回的最后一个元素对应于拦截。
-
degreesOfFreedom
¶ -
的自由度。
-
异常
¶ -
拟合模型的异常。
-
分散
¶ -
安装的色散模型。1.0这是作为“二项”和“泊松”的家庭,,否则估计由残余皮尔逊卡方统计量(被定义为皮尔逊残差的平方和的)除以剩余自由度。
-
nullDeviance
¶ -
零模型的异常。
-
numInstances
¶ -
DataFrame的实例数量预测。
-
numIterations
¶ -
训练的迭代的数量。
-
pValues
¶ -
双面的假定值的估计系数和拦截。
如果
GeneralizedLinearRegression.fitIntercept
设置为True,那么返回的最后一个元素对应于拦截。
-
预测
¶ -
模型的预测输出变换方法。
-
排名
¶ -
拟合的数值秩线性模型。
-
residualDegreeOfFreedom
¶ -
剩余的自由度。
-
residualDegreeOfFreedomNull
¶ -
空的剩余自由度模型。
-
解算器
¶ -
培训使用的数值解算器。
-
tValues
¶ -
t统计量的估计系数和拦截。
如果
GeneralizedLinearRegression.fitIntercept
设置为True,那么返回的最后一个元素对应于拦截。
-