MultilayerPerceptronClassificationTrainingSummary¶
-
類
pyspark.ml.classification。
MultilayerPerceptronClassificationTrainingSummary
( java_obj:可選(JavaObject]=沒有一個 ) ¶ -
抽象MultilayerPerceptronClassifier培訓結果。
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)。
在“預測”,讓每個實例的真正的標簽。
返回標簽按升序的順序。
目標函數(按比例縮小的損失+正規化)在每個迭代。
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。
為每個標簽返回召回(類別)。
數量的訓練直到終止迭代。
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)。
-
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。
-
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。
-
recallByLabel
¶ -
為每個標簽返回召回(類別)。
-
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)
-