RegressionMetrics¶
-
类
pyspark.mllib.evaluation。RegressionMetrics( predictionAndObservations:pyspark.rdd.RDD(元组(浮动,浮动]] ) ¶ -
评估者的回归。
- 参数
-
-
predictionAndObservations
pyspark.RDD -
预测的抽样,观察和可选的重量。
-
predictionAndObservations
例子
> > >predictionAndObservations=sc。并行化([…(2.5,3.0),(0.0,- - - - - -0.5),(2.0,2.0),(8.0,7.0)))> > >指标=RegressionMetrics(predictionAndObservations)> > >指标。explainedVariance8.859……> > >指标。meanAbsoluteError0.5……> > >指标。meanSquaredError0.37……> > >指标。rootMeanSquaredError0.61……> > >指标。r20.94……> > >predictionAndObservationsWithOptWeight=sc。并行化([…(2.5,3.0,0.5),(0.0,- - - - - -0.5,1.0),(2.0,2.0,0.3),(8.0,7.0,0.9)))> > >指标=RegressionMetrics(predictionAndObservationsWithOptWeight)> > >指标。rootMeanSquaredError0.68……
方法
调用(名字,*一个)调用的方法java_model
属性
返回解释方差的回归评分。
返回平均绝对误差,这是一个风险函数对应的绝对误差损失的期望值或l1-norm损失。
返回均方误差,这是一个风险函数对应平方误差的期望值损失或二次损失。
返回R ^ 2 ^,确定系数。
返回根均方误差,定义为均方误差的平方根。
方法的文档
-
调用( 的名字:str,*一个:任何 )→任何¶ -
调用的方法java_model
属性的文档
-
explainedVariance¶ -
返回解释方差的回归评分。explainedVariance =\(1 - \压裂{方差(y - \帽子{y})}{方差(y)} \)
-
meanAbsoluteError¶ -
返回平均绝对误差,这是一个风险函数对应的绝对误差损失的期望值或l1-norm损失。
-
meanSquaredError¶ -
返回均方误差,这是一个风险函数对应平方误差的期望值损失或二次损失。
-
r2¶ -
返回R ^ 2 ^,确定系数。
-
rootMeanSquaredError¶ -
返回根均方误差,定义为均方误差的平方根。