GeneralizedLinearRegressionTrainingSummary

pyspark.ml.regression。 GeneralizedLinearRegressionTrainingSummary ( java_obj:可選(JavaObject]=沒有一個 )

廣義線性回歸訓練的結果。

方法

殘差([residualsType])

得到殘差擬合模型的類型。

屬性

另類投資會議

Akaike的“信息準則”(AIC)擬合模型。

coefficientStandardErrors

標準估計誤差係數和攔截。

degreesOfFreedom

的自由度。

異常

擬合模型的異常。

分散

安裝的色散模型。

nullDeviance

零模型的異常。

numInstances

DataFrame的實例數量預測。

numIterations

訓練的迭代的數量。

pValues

雙麵的假定值的估計係數和攔截。

predictionCol

預測它給每個實例的預測價值。

預測

模型的預測輸出變換方法。

排名

擬合的數值秩線性模型。

residualDegreeOfFreedom

剩餘的自由度。

residualDegreeOfFreedomNull

空的剩餘自由度模型。

解算器

培訓使用的數值解算器。

tValues

t統計量的估計係數和攔截。

方法的文檔

殘差 ( residualsType:str=“異常” )→pyspark.sql.dataframe.DataFrame

得到殘差擬合模型的類型。

參數
residualsType str,可選

殘差,應該返回的類型。支持選擇:異常(默認),皮爾森,工作,和響應。

屬性的文檔

另類投資會議

Akaike的“信息準則”(AIC)擬合模型。

coefficientStandardErrors

標準估計誤差係數和攔截。

如果GeneralizedLinearRegression.fitIntercept設置為True,那麼返回的最後一個元素對應於攔截。

degreesOfFreedom

的自由度。

異常

擬合模型的異常。

分散

安裝的色散模型。1.0這是作為“二項”和“泊鬆”的家庭,,否則估計由殘餘皮爾遜卡方統計量(被定義為皮爾遜殘差的平方和的)除以剩餘自由度。

nullDeviance

零模型的異常。

numInstances

DataFrame的實例數量預測。

numIterations

訓練的迭代的數量。

pValues

雙麵的假定值的估計係數和攔截。

如果GeneralizedLinearRegression.fitIntercept設置為True,那麼返回的最後一個元素對應於攔截。

predictionCol

預測它給每個實例的預測價值。這將是一個新列如果原始模型的名稱predictionCol沒有設置。

預測

模型的預測輸出變換方法。

排名

擬合的數值秩線性模型。

residualDegreeOfFreedom

剩餘的自由度。

residualDegreeOfFreedomNull

空的剩餘自由度模型。

解算器

培訓使用的數值解算器。

tValues

t統計量的估計係數和攔截。

如果GeneralizedLinearRegression.fitIntercept設置為True,那麼返回的最後一個元素對應於攔截。