LogisticRegressionSummary¶
-
類
pyspark.ml.classification。LogisticRegressionSummary( java_obj:可選(JavaObject]=沒有一個 ) ¶ -
對於一個給定的模型抽象為邏輯回歸結果。
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
返回的準確性。
返回假陽性率為每個標簽(類別)。
字段“預測”,讓每個實例的特征向量。
在“預測”,讓每個實例的真正的標簽。
返回標簽按升序的順序。
回報精度為每個標簽(類別)。
在“預測”,給了每個類的預測。
Dataframe模型的輸出變換方法。
在“預測”,給每個類作為一個向量的概率。
為每個標簽返回召回(類別)。
返回true積極率為每個標簽(類別)。
在“預測”,讓每個實例作為一個向量的重量。
返回加權假陽性率。
返回加權平均精度。
返回加權平均召回。
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)。
-
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。
-
precisionByLabel¶ -
回報精度為每個標簽(類別)。
-
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)。
-
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)
-