BinaryLogisticRegressionTrainingSummary¶

類 pyspark.ml.classification。 BinaryLogisticRegressionTrainingSummary ( java_obj:可選(JavaObject]=沒有一個 ) ¶

二元邏輯回歸訓練結果對於一個給定的模型。

方法

`fMeasureByLabel`([測試])	為每個標簽返回f-measure(類別)。
`weightedFMeasure`([測試])	加權平均f-measure回報。

屬性

`精度`	返回的準確性。
`areaUnderROC`	計算接受者操作特征(ROC)曲線下的麵積。
`fMeasureByThreshold`	返回一個dataframe與兩個字段(閾值,F-Measure)曲線與β= 1.0。
`falsePositiveRateByLabel`	返回假陽性率為每個標簽(類別)。
`featuresCol`	字段“預測”,讓每個實例的特征向量。
`labelCol`	在“預測”,讓每個實例的真正的標簽。
`標簽`	返回標簽按升序的順序。
`objectiveHistory`	目標函數(按比例縮小的損失+正規化)在每個迭代。
`公關`	返回precision-recall曲線,它是一個包含兩個字段Dataframe記得,精度(0.0,1.0)前綴。
`precisionByLabel`	回報精度為每個標簽(類別)。
`precisionByThreshold`	返回一個dataframe與兩個字段(閾值,精度)曲線。
`predictionCol`	在“預測”,給了每個類的預測。
`預測`	Dataframe模型的輸出變換方法。
`probabilityCol`	在“預測”,給每個類作為一個向量的概率。
`recallByLabel`	為每個標簽返回召回(類別)。
`recallByThreshold`	返回一個dataframe與兩個字段(閾值,召回)曲線。
`中華民國`	返回接受者操作特征(ROC)曲線,這是一個Dataframe有兩個字段(玻璃鋼,TPR)前綴(0.0,0.0)和(1.0,1.0)附加到它。
`scoreCol`	在“預測”,給了每個類的概率或生預測作為一個向量。
`totalIterations`	數量的訓練直到終止迭代。
`truePositiveRateByLabel`	返回true積極率為每個標簽(類別)。
`weightCol`	在“預測”,讓每個實例作為一個向量的重量。
`weightedFalsePositiveRate`	返回加權假陽性率。
`weightedPrecision`	返回加權平均精度。
`weightedRecall`	返回加權平均召回。
`weightedTruePositiveRate`	返回加權真陽性率。

方法的文檔

fMeasureByLabel ( β:浮動=1.0 )→列表(浮動] ¶: 為每個標簽返回f-measure(類別)。

weightedFMeasure ( β:浮動=1.0 )→浮動¶: 加權平均f-measure回報。

屬性的文檔

精度 ¶: 返回的準確性。(等於總數正確分類實例總數的實例)。

areaUnderROC ¶: 計算接受者操作特征(ROC)曲線下的麵積。

fMeasureByThreshold ¶: 返回一個dataframe與兩個字段(閾值,F-Measure)曲線與β= 1.0。

falsePositiveRateByLabel ¶: 返回假陽性率為每個標簽(類別)。

featuresCol ¶: 字段“預測”,讓每個實例的特征向量。

labelCol ¶: 在“預測”,讓每個實例的真正的標簽。

標簽 ¶

返回標簽按升序的順序。這個訂單與訂單用於度量在標簽指定為數組,例如,truePositiveRateByLabel。

筆記

在大多數情況下,它將值{0.0,1.0,…,numClasses-1},然而,如果訓練集是失蹤的一個標簽,那麼所有數組的標簽(例如,從truePositiveRateByLabel)將長度numClasses-1 numClasses相反的預期。

objectiveHistory ¶: 目標函數(按比例縮小的損失+正規化)在每個迭代。它包含一個元素,初始狀態,比的迭代次數。

公關 ¶: 返回precision-recall曲線,它是一個包含兩個字段Dataframe記得,精度(0.0,1.0)前綴。

precisionByLabel ¶: 回報精度為每個標簽(類別)。

precisionByThreshold ¶: 返回一個dataframe與兩個字段(閾值,精度)曲線。每一個可能的概率獲得在轉換中使用的數據集作為閾值計算精度。

predictionCol ¶: 在“預測”,給了每個類的預測。

預測 ¶: Dataframe模型的輸出變換方法。

probabilityCol ¶: 在“預測”,給每個類作為一個向量的概率。

recallByLabel ¶: 為每個標簽返回召回(類別)。

recallByThreshold ¶: 返回一個dataframe與兩個字段(閾值,召回)曲線。每一個可能的概率獲得在轉換中使用的數據集作為閾值計算召回。

中華民國 ¶

返回接受者操作特征(ROC)曲線,這是一個Dataframe有兩個字段(玻璃鋼,TPR)前綴(0.0,0.0)和(1.0,1.0)附加到它。

筆記

維基百科參考

scoreCol ¶: 在“預測”,給了每個類的概率或生預測作為一個向量。

totalIterations ¶: 數量的訓練直到終止迭代。

truePositiveRateByLabel ¶: 返回true積極率為每個標簽(類別)。

weightCol ¶: 在“預測”,讓每個實例作為一個向量的重量。

weightedFalsePositiveRate ¶: 返回加權假陽性率。

weightedPrecision ¶: 返回加權平均精度。

weightedRecall ¶: 返回加權平均召回。(等於精度、召回和f-measure)

weightedTruePositiveRate ¶: 返回加權真陽性率。(等於精度、召回和f-measure)

以前的

BinaryLogisticRegressionSummary

下一個

DecisionTreeClassifier