说明:
spark.mlp
针对 SparkDataFrame 拟合多层感知器神经网络模型。用户可以调用summary
打印拟合模型的摘要,调用predict
对新数据进行预测,调用write.ml
/read.ml
保存/加载拟合模型。仅支持分类数据。有关详细信息,请参阅Multilayer Perceptron
用法:
spark.mlp(data, formula, ...)
## S4 method for signature 'SparkDataFrame,formula'
spark.mlp(
data,
formula,
layers,
blockSize = 128,
solver = "l-bfgs",
maxIter = 100,
tol = 1e-06,
stepSize = 0.03,
seed = NULL,
initialWeights = NULL,
handleInvalid = c("error", "keep", "skip")
)
## S4 method for signature 'MultilayerPerceptronClassificationModel'
summary(object)
## S4 method for signature 'MultilayerPerceptronClassificationModel'
predict(object, newData)
## S4 method for signature 'MultilayerPerceptronClassificationModel,character'
write.ml(object, path, overwrite = FALSE)
参数:
data
用于模型拟合的SparkDataFrame
观察值和标签。formula
要拟合的模型的符号说明。目前仅支持少数公式运算符,包括'~'、'.'、':'、'+'和'-'。...
传递给该方法的附加参数。layers
包含每层节点数的整数向量。blockSize
块大小参数。solver
求解器参数,支持的选项:"gd"(小批量梯度下降)或"l-bfgs"。maxIter
最大迭代次数。tol
迭代的收敛容差。stepSize
步长参数。seed
权重初始化的种子参数。initialWeights
权重初始化的 initialWeights 参数,它应该是一个数字向量。handleInvalid
如何处理字符串类型的特征和标签列中的无效数据(看不见的标签或 NULL 值)。支持的选项:"skip"(过滤掉包含无效数据的行)、"error"(抛出错误)、"keep"(将无效数据放入特殊的附加存储桶中,索引为 numLabels)。默认为"error"。object
spark.mlp
拟合的多层感知器分类模型newData
用于测试的 SparkDataFrame。path
保存模型的目录。overwrite
如果输出路径已经存在,是否覆盖。默认为 FALSE,这意味着如果输出路径存在则抛出异常。
返回:
spark.mlp
返回拟合的多层感知器分类模型。
summary
返回拟合模型的汇总信息,是一个列表。该列表包括numOfInputs
(输入数量)、numOfOutputs
(输出数量)、layers
(包括输入和输出层的层大小数组)和weights
(层的权重)。对于 weights
,它是一个长度等于给定架构的预期长度的数字向量(即,对于 8-10-2 网络,112 个连接权重)。
predict
返回一个 SparkDataFrame,其中包含在名为 "prediction" 的列中标记的预测值。
注意:
spark.mlp 自 2.1.0
摘要(MultilayerPerceptronClassificationModel) 自 2.1.0
从 2.1.0 开始预测(MultilayerPerceptronClassificationModel)
write.ml(MultilayerPerceptronClassificationModel, character) 自 2.1.0
例子:
df <- read.df("data/mllib/sample_multiclass_classification_data.txt", source = "libsvm")
# fit a Multilayer Perceptron Classification Model
model <- spark.mlp(df, label ~ features, blockSize = 128, layers = c(4, 3), solver = "l-bfgs",
maxIter = 100, tol = 0.5, stepSize = 1, seed = 1,
initialWeights = c(0, 0, 0, 0, 0, 5, 5, 5, 5, 5, 9, 9, 9, 9, 9))
# get the summary of the model
summary(model)
# make predictions
predictions <- predict(model, df)
# save and load the model
path <- "path/to/model"
write.ml(model, path)
savedModel <- read.ml(path)
summary(savedModel)
相关用法
- R SparkR spark.decisionTree用法及代码示例
- R SparkR spark.powerIterationClustering用法及代码示例
- R SparkR spark.svmLinear用法及代码示例
- R SparkR spark.gaussianMixture用法及代码示例
- R SparkR spark.naiveBayes用法及代码示例
- R SparkR spark.getSparkFiles用法及代码示例
- R SparkR spark.survreg用法及代码示例
- R SparkR spark.lm用法及代码示例
- R SparkR spark.fmClassifier用法及代码示例
- R SparkR spark.gbt用法及代码示例
- R SparkR spark.getSparkFilesRootDirectory用法及代码示例
- R SparkR spark.logit用法及代码示例
- R SparkR spark.addFile用法及代码示例
- R SparkR spark.isoreg用法及代码示例
- R SparkR spark.als用法及代码示例
- R SparkR spark.glm用法及代码示例
- R SparkR spark.lapply用法及代码示例
- R SparkR spark.fmRegressor用法及代码示例
- R SparkR spark.kmeans用法及代码示例
- R SparkR spark.lda用法及代码示例
注:本文由纯净天空筛选整理自spark.apache.org大神的英文原创作品 Multilayer Perceptron Classification Model。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。