BinaryClassificationEvaluator

類 pyspark.ml.evaluation。 BinaryClassificationEvaluator ( *,rawPredictionCol:str=“rawPrediction”,labelCol:str=“標簽”,metricName:BinaryClassificationEvaluatorMetricType=“areaUnderROC”,weightCol:可選(str]=沒有一個,numBins:int=1000年 )

二進製分類評估者,預計rawPrediction輸入列,列標簽和一個可選的重量。rawPrediction列可以雙型(二進製預測0/1,或標簽的概率1)或者類型的向量(矢量長度為2的原始預測,分數,或標簽概率)。

例子

> > >從pyspark.ml.linalg進口向量> > >scoreAndLabels=地圖(λx:(向量。密集的([1.0- - - - - -x(0),x(0]]),x(1]),…((0.1,0.0),(0.1,1.0),(0.4,0.0),(0.6,0.0),(0.6,1.0),(0.6,1.0),(0.8,1.0)))> > >數據集=火花。createDataFrame(scoreAndLabels,(“原始”,“標簽”])…> > >評估者=BinaryClassificationEvaluator()> > >評估者。setRawPredictionCol(“原始”)BinaryClassificationEvaluator……> > >評估者。評估(數據集)0.70……> > >評估者。評估(數據集,{評估者。metricName:“areaUnderPR”})0.83……> > >bce_path=temp_path+公元前“/”> > >評估者。保存(bce_path)> > >evaluator2=BinaryClassificationEvaluator。負載(bce_path)> > >str(evaluator2。getRawPredictionCol())“生”> > >scoreAndLabelsAndWeight=地圖(λx:(向量。密集的([1.0- - - - - -x(0),x(0]]),x(1),x(2]),…((0.1,0.0,1.0),(0.1,1.0,0.9),(0.4,0.0,0.7),(0.6,0.0,0.9),…(0.6,1.0,1.0),(0.6,1.0,0.3),(0.8,1.0,1.0)))> > >數據集=火花。createDataFrame(scoreAndLabelsAndWeight,(“原始”,“標簽”,“重量”])…> > >評估者=BinaryClassificationEvaluator(rawPredictionCol=“原始”,weightCol=“重量”)> > >評估者。評估(數據集)0.70……> > >評估者。評估(數據集,{評估者。metricName:“areaUnderPR”})0.82……> > >評估者。getNumBins()1000年

方法

清晰的(參數)	清除參數映射的參數是否被顯式地設置。
複製((額外的))	創建這個實例的副本具有相同uid和一些額外的參數。
評估(數據集[params))	評估可選參數的輸出。
explainParam(參數)	解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。
explainParams()	返回文檔的所有參數選擇默認值和用戶提供的值。
extractParamMap((額外的))	提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。
getLabelCol()	得到的價值labelCol或其默認值。
getMetricName()	得到的價值metricName或其默認值。
getNumBins()	得到的價值numBins或其默認值。
getOrDefault(參數)	得到參數的值在用戶提供的參數映射或其默認值。
getParam(paramName)	通過它的名稱參數。
getRawPredictionCol()	得到的價值rawPredictionCol或其默認值。
getWeightCol()	得到的價值weightCol或其默認值。
hasDefault(參數)	檢查是否一個參數有默認值。
hasParam(paramName)	測試這個實例包含一個參數是否與給定名稱(字符串)。
isDefined(參數)	檢查參數是否由用戶或顯式地設置一個默認值。
isLargerBetter()	指示是否返回的度量evaluate ()應該最大化(真的,默認情況下)或最小化(假)。
收取(參數)	檢查參數是否由用戶顯式地設置。
負載(路徑)	從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)。
讀()	返回一個MLReader這個類的實例。
保存(路徑)	這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。
集(參數值)	設置一個參數嵌入參數映射。
setLabelCol(值)	設置的值labelCol。
setMetricName(值)	設置的值metricName。
setNumBins(值)	設置的值numBins。
setparam(自我\ * (rawPredictionCol,…))	設置參數為二進製分類評估者。
setRawPredictionCol(值)	設置的值rawPredictionCol。
setWeightCol(值)	設置的值weightCol。
寫()	返回一個MLWriter實例毫升實例。

屬性

labelCol
metricName
numBins
參數個數	返回所有參數命令的名字。
rawPredictionCol
weightCol

方法的文檔

清晰的 ( 參數:pyspark.ml.param.Param )→沒有

清除參數映射的參數是否被顯式地設置。

複製 ( 額外的:可選(ParamMap]=沒有一個 )→摩根大通

創建這個實例的副本具有相同uid和一些額外的參數。這個實現第一次調用參數。複製and then make a copy of the companion Java pipeline component with extra params. So both the Python wrapper and the Java pipeline component get copied.

參數

額外的 東西,可選

額外參數複製到新實例

返回

JavaParams

這個實例的副本

評估 ( 數據集:pyspark.sql.dataframe.DataFrame,參數個數:可選(ParamMap]=沒有一個 )→浮動

評估可選參數的輸出。

參數

數據集 pyspark.sql.DataFrame

一個數據集,其中包含標簽/觀察和預測

參數個數 東西,可選

一個可選的參數覆蓋嵌入參數的地圖

返回

浮動

度規

explainParam ( 參數:聯盟(str,pyspark.ml.param.Param] )→str

解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。

explainParams ( )→str

返回文檔的所有參數選擇默認值和用戶提供的值。

extractParamMap ( 額外的:可選(ParamMap]=沒有一個 )→ParamMap

提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。

參數

額外的 東西,可選

額外的參數值

返回

dict

合並後的參數映射

getLabelCol ( )→str

得到的價值labelCol或其默認值。

getMetricName ( )→str

得到的價值metricName或其默認值。

getNumBins ( )→int

得到的價值numBins或其默認值。

getOrDefault ( 參數:聯盟(str,pyspark.ml.param.Param(T]] )→聯盟(任何,T]

得到參數的值在用戶提供的參數映射或其默認值。如果沒有設置提出了一個錯誤。

getParam ( paramName:str )→pyspark.ml.param.Param

通過它的名稱參數。

getRawPredictionCol ( )→str

得到的價值rawPredictionCol或其默認值。

getWeightCol ( )→str

得到的價值weightCol或其默認值。

hasDefault ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查是否一個參數有默認值。

hasParam ( paramName:str )→bool

測試這個實例包含一個參數是否與給定名稱(字符串)。

isDefined ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶或顯式地設置一個默認值。

isLargerBetter ( )→bool

指示是否返回的度量evaluate ()應該最大化(真的,默認情況下)或最小化(假)。給定的評估者可以支持多個指標可能最大化或最小化。

收取 ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶顯式地設置。

classmethod 負載 ( 路徑:str )→RL

從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)。

classmethod 讀 ( )→pyspark.ml.util.JavaMLReader(RL]

返回一個MLReader這個類的實例。

保存 ( 路徑:str )→沒有

這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。

集 ( 參數:pyspark.ml.param.Param,價值:任何 )→沒有

設置一個參數嵌入參數映射。

setLabelCol ( 價值:str )→pyspark.ml.evaluation.BinaryClassificationEvaluator

設置的值labelCol。

setMetricName ( 價值:BinaryClassificationEvaluatorMetricType )→BinaryClassificationEvaluator

設置的值metricName。

setNumBins ( 價值:int )→pyspark.ml.evaluation.BinaryClassificationEvaluator

設置的值numBins。

setparam ( 自我,\ *,rawPredictionCol = " rawPrediction ",labelCol = "標簽",metricName = " areaUnderROC ",weightCol =沒有,numBins = 1000 )

設置參數為二進製分類評估者。

setRawPredictionCol ( 價值:str )→pyspark.ml.evaluation.BinaryClassificationEvaluator

設置的值rawPredictionCol。

setWeightCol ( 價值:str )→pyspark.ml.evaluation.BinaryClassificationEvaluator

設置的值weightCol。

寫 ( )→pyspark.ml.util.JavaMLWriter

返回一個MLWriter實例毫升實例。

屬性的文檔

labelCol =參數(父母=‘定義’,name = ' labelCol ', doc =“標簽列名。”)

metricName :pyspark.ml.param.Param BinaryClassificationEvaluatorMetricType =參數(父母=‘定義’,name = ' metricName ', doc =”在評價指標的名字(areaUnderROC | areaUnderPR)”)

numBins :pyspark.ml.param.Param (int) =參數(父母=‘定義’,name = ' numBins ', doc = '數量的垃圾箱down-sample曲線(ROC曲線,公關曲線)的麵積計算。如果為0,則不會出現采樣下來。必須> = 0”。)

參數個數

返回所有參數命令的名字。默認實現使用dir ()所有的屬性類型參數。

rawPredictionCol =參數(父母=‘定義’,name = ' rawPredictionCol ', doc =“原始預測(又名信心)列名”。)

weightCol =參數(父母=‘定義’,name = ' weightCol ', doc = '體重列名。如果這不是設置或空,我們對所有實例權重為1.0。”)

以前的

評估者

下一個

RegressionEvaluator