StreamingLogisticRegressionWithSGD¶
-
类
pyspark.mllib.classification。StreamingLogisticRegressionWithSGD( stepSize:浮动=0.1,numIterations:int=50,miniBatchFraction:浮动=1.0,regParam:浮动=0.0,convergenceTol:浮动=0.001 ) ¶ -
火车或预测流数据的逻辑回归模型。培训使用随机梯度下降法来更新模型基于每个新批DStream传入的数据。
每一批的数据被认为是一个LabeledPoints抽样。数据点的数量每批可以不同,但功能的数量必须是常数。必须提供一个初始权向量。
- 参数
-
- stepSize 浮动,可选
-
为每个迭代步长梯度下降法。(默认值:0.1)
- numIterations int,可选
-
运行的迭代次数为每一批数据。(默认值:50)
- miniBatchFraction 浮动,可选
-
分数每一批的数据用于更新。(默认值:1.0)
- regParam 浮动,可选
-
L2正则化参数。(默认值:0.0)
- convergenceTol 浮动,可选
-
值用来确定何时终止迭代。(默认值:0.001)
方法
返回最新的模型。
predictOn(dstream)使用该模型来预测从DStream批次的数据。
predictOnValues(dstream)利用该模型预测的值DStream和携带的钥匙。
setInitialWeights(initialWeights)设置权重的初始值。
trainOn(dstream)在传入dstream火车模型。
方法的文档
-
latestModel( )→可选( pyspark.mllib.regression.LinearModel ] ¶ -
返回最新的模型。
-
predictOn( dstream:DStream(VectorLike] )→DStream(浮动] ¶ -
使用该模型来预测从DStream批次的数据。
- 返回
-
-
pyspark.streaming.DStream -
DStream包含预测。
-
-
predictOnValues( dstream:DStream(元组(K,VectorLike]] )→DStream(元组(K,浮动] ] ¶ -
利用该模型预测的值DStream和携带的钥匙。
- 返回
-
-
pyspark.streaming.DStream -
DStream包含预测。
-
-
setInitialWeights( initialWeights:VectorLike )→StreamingLogisticRegressionWithSGD¶ -
设置权重的初始值。
这个运行trainOn和predictOn之前必须设置。
-
trainOn( dstream:pyspark.streaming.dstream.DStream(pyspark.mllib.regression.LabeledPoint] )→没有¶ -
在传入dstream火车模型。