GeneralizedLinearRegressionTrainingSummary¶
-
類
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
Akaike的“信息準則”(AIC)擬合模型。
標準估計誤差係數和攔截。
的自由度。
擬合模型的異常。
安裝的色散模型。
零模型的異常。
DataFrame的實例數量預測。
訓練的迭代的數量。
雙麵的假定值的估計係數和攔截。
場
預測
它給每個實例的預測價值。模型的預測輸出變換方法。
擬合的數值秩線性模型。
剩餘的自由度。
空的剩餘自由度模型。
培訓使用的數值解算器。
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。
-
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。
-