GeneralizedLinearRegressionModel¶
-
類
pyspark.ml.regression。
GeneralizedLinearRegressionModel
( java_model:可選(JavaObject]=沒有一個 ) ¶ -
模型擬合的
GeneralizedLinearRegression
。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)評估模型的測試數據集。
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。
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。
得到的價值aggregationDepth或其默認值。
得到家庭的價值或其默認值。
得到的價值featuresCol或其默認值。
得到的價值fitIntercept或其默認值。
得到的價值labelCol或其默認值。
getLink
()被鏈接的價值或其默認值。
得到的價值linkPower或其默認值。
得到的價值linkPredictionCol或其默認值。
麥克斯特的價值或其默認值。
得到的價值offsetCol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。
得到的價值predictionCol或其默認值。
得到的價值regParam或其默認值。
得到解決的價值或其默認值。
getTol
()被托爾的價值或其默認值。
得到的價值variancePower或其默認值。
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。
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)。
預測
(值)預測給定特性的標簽。
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。
設置的值
featuresCol
。設置的值
linkPredictionCol
。設置的值
predictionCol
。變換
(數據集[params))與可選參數轉換的輸入數據集。
寫
()返回一個MLWriter實例毫升實例。
屬性
模型係數。
表明這個模型實例是否存在一個培訓總結。
截距的模型。
返回的數量特征模型訓練。
返回所有參數命令的名字。
總結(殘差,異常,假定值)的模型訓練集。
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 )→pyspark.ml.regression.GeneralizedLinearRegressionSummary ¶ -
評估模型的測試數據集。
- 參數
-
-
數據集
pyspark.sql.DataFrame
-
測試數據集評估模型,數據集的一個實例
pyspark.sql.DataFrame
-
數據集
-
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
-
getAggregationDepth
( )→int¶ -
得到的價值aggregationDepth或其默認值。
-
getFamily
( )→str¶ -
得到家庭的價值或其默認值。
-
getFeaturesCol
( )→str¶ -
得到的價值featuresCol或其默認值。
-
getFitIntercept
( )→bool¶ -
得到的價值fitIntercept或其默認值。
-
getLabelCol
( )→str¶ -
得到的價值labelCol或其默認值。
-
getLink
( )→str¶ -
被鏈接的價值或其默認值。
-
getLinkPower
( )→浮動¶ -
得到的價值linkPower或其默認值。
-
getLinkPredictionCol
( )→str¶ -
得到的價值linkPredictionCol或其默認值。
-
getMaxIter
( )→int¶ -
麥克斯特的價值或其默認值。
-
getOffsetCol
( )→str¶ -
得到的價值offsetCol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。
-
getPredictionCol
( )→str¶ -
得到的價值predictionCol或其默認值。
-
getRegParam
( )→浮動¶ -
得到的價值regParam或其默認值。
-
getSolver
( )→str¶ -
得到解決的價值或其默認值。
-
getTol
( )→浮動¶ -
被托爾的價值或其默認值。
-
getVariancePower
( )→浮動¶ -
得到的價值variancePower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。
-
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)。
-
預測
( 價值:T )→浮動¶ -
預測給定特性的標簽。
-
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。
-
setFeaturesCol
( 價值:str )→P¶ -
設置的值
featuresCol
。
-
setLinkPredictionCol
( 價值:str )→pyspark.ml.regression.GeneralizedLinearRegressionModel ¶ -
設置的值
linkPredictionCol
。
-
setPredictionCol
( 價值:str )→P¶ -
設置的值
predictionCol
。
-
變換
( 數據集:pyspark.sql.dataframe.DataFrame,參數個數:可選(ParamMap]=沒有一個 )→pyspark.sql.dataframe.DataFrame¶ -
與可選參數轉換的輸入數據集。
- 參數
-
-
數據集
pyspark.sql.DataFrame
-
輸入數據集
- 參數個數 東西,可選
-
一個可選的參數覆蓋嵌入參數的地圖。
-
數據集
- 返回
-
-
pyspark.sql.DataFrame
-
改變了數據集
-
-
寫
( )→pyspark.ml.util.JavaMLWriter¶ -
返回一個MLWriter實例毫升實例。
屬性的文檔
-
aggregationDepth
=參數(父母=‘定義’,name = ' aggregationDepth ', doc =的建議深度treeAggregate (> = 2)。) ¶
-
係數
¶ -
模型係數。
-
家庭
:pyspark.ml.param.Param (str) =參數(父母=‘定義’,name = '家庭',doc = '家人的名字是誤差分布的描述中使用的模型。支持選項:高斯(默認)、二項式分布、泊鬆分布、伽瑪和tweedie。”) ¶
-
featuresCol
=參數(父母=‘定義’,name = ' featuresCol ', doc =功能列名稱。) ¶
-
fitIntercept
=參數(父母=‘定義’,name = ' fitIntercept ', doc =是否適合一個截距項。) ¶
-
hasSummary
¶ -
表明這個模型實例是否存在一個培訓總結。
-
攔截
¶ -
截距的模型。
-
labelCol
=參數(父母=‘定義’,name = ' labelCol ', doc =“標簽列名。”) ¶
-
鏈接
:pyspark.ml.param.Param (str) =參數(父母=‘定義’,name =“鏈接”,醫生= '鏈接函數的名稱提供線性預測之間的關係和分布函數的均值。支持選項:身份、日誌、逆分對數,probit, cloglog和sqrt。”) ¶
-
linkPower
:pyspark.ml.param.Param(浮動) =參數(父母=‘定義’,name = ' linkPower ', doc =權力鏈接的指數函數。隻適用於Tweedie家庭。”) ¶
-
linkPredictionCol
:pyspark.ml.param.Param (str) =參數(父母=‘定義’,name = ' linkPredictionCol ', doc =“鏈接預測(線性預測)列名稱”) ¶
-
麥克斯特
=參數(父母=‘定義’,name =“麥克斯特”,醫生=“馬克斯(> = 0)的迭代次數。) ¶
-
numFeatures
¶ -
返回的數量特征模型訓練。如果未知,返回1
-
offsetCol
:pyspark.ml.param.Param (str) =參數(父母=‘定義’,name = ' offsetCol ', doc = '抵消列名。如果這不是設置或空,我們對所有實例偏移量為0.0”) ¶
-
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
。
-
predictionCol
=參數(父母=‘定義’,name = ' predictionCol ', doc =預測列名稱。) ¶
-
regParam
=參數(父母=‘定義’,name = ' regParam ', doc =“正則化參數(> = 0)”。) ¶
-
解算器
:pyspark.ml.param.Param (str) =參數(父母=‘定義’,name =“規劃求解”,醫生= '優化的求解算法。支持選擇:irl。”) ¶
-
總結
¶ -
總結(殘差,異常,假定值)的模型訓練集,拋出異常,如果trainingSummary沒有。
-
托爾
=參數(父母=‘定義’,name =“托爾”,醫生=迭代算法的收斂公差(> = 0)”。) ¶
-
variancePower
:pyspark.ml.param.Param(浮動) =參數(父母=‘定義’,name = ' variancePower ', doc = '的力量Tweedie分布的方差函數特征分布的方差和均值的關係。隻適用於Tweedie家族。支持值:0和1,正)。”) ¶
-
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。”) ¶
-