RegressionMetrics

pyspark.mllib.evaluation。 RegressionMetrics ( predictionAndObservations:pyspark.rdd.RDD(元組(浮動,浮動]] )

評估者的回歸。

參數
predictionAndObservations pyspark.RDD

預測的抽樣,觀察和可選的重量。

例子

> > >predictionAndObservations=sc並行化([(2.5,3.0),(0.0,- - - - - -0.5),(2.0,2.0),(8.0,7.0)))> > >指標=RegressionMetrics(predictionAndObservations)> > >指標explainedVariance8.859……> > >指標meanAbsoluteError0.5……> > >指標meanSquaredError0.37……> > >指標rootMeanSquaredError0.61……> > >指標r20.94……> > >predictionAndObservationsWithOptWeight=sc並行化([(2.5,3.0,0.5),(0.0,- - - - - -0.5,1.0),(2.0,2.0,0.3),(8.0,7.0,0.9)))> > >指標=RegressionMetrics(predictionAndObservationsWithOptWeight)> > >指標rootMeanSquaredError0.68……

方法

調用(名字,*一個)

調用的方法java_model

屬性

explainedVariance

返回解釋方差的回歸評分。

meanAbsoluteError

返回平均絕對誤差,這是一個風險函數對應的絕對誤差損失的期望值或l1-norm損失。

meanSquaredError

返回均方誤差,這是一個風險函數對應平方誤差的期望值損失或二次損失。

r2

返回R ^ 2 ^,確定係數。

rootMeanSquaredError

返回根均方誤差,定義為均方誤差的平方根。

方法的文檔

調用 ( 的名字:str,*一個:任何 )→任何

調用的方法java_model

屬性的文檔

explainedVariance

返回解釋方差的回歸評分。explainedVariance =\(1 - \壓裂{方差(y - \帽子{y})}{方差(y)} \)

meanAbsoluteError

返回平均絕對誤差,這是一個風險函數對應的絕對誤差損失的期望值或l1-norm損失。

meanSquaredError

返回均方誤差,這是一個風險函數對應平方誤差的期望值損失或二次損失。

r2

返回R ^ 2 ^,確定係數。

rootMeanSquaredError

返回根均方誤差,定義為均方誤差的平方根。