说明:
针对 SparkDataFrame 拟合线性 SVM 模型,类似于 e1071 包中的 svm。目前只支持带有线性核的二分类模型。用户可以对生成的模型进行打印、预测,并将模型保存到输入路径。
用法:
spark.svmLinear(data, formula, ...)
## S4 method for signature 'SparkDataFrame,formula'
spark.svmLinear(
data,
formula,
regParam = 0,
maxIter = 100,
tol = 1e-06,
standardization = TRUE,
threshold = 0,
weightCol = NULL,
aggregationDepth = 2,
handleInvalid = c("error", "keep", "skip")
)
## S4 method for signature 'LinearSVCModel'
predict(object, newData)
## S4 method for signature 'LinearSVCModel'
summary(object)
## S4 method for signature 'LinearSVCModel,character'
write.ml(object, path, overwrite = FALSE)
参数:
data
SparkDataFrame 用于训练。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。regParam
正则化参数。目前仅支持 L2 正则化。maxIter
最大迭代次数。tol
迭代的收敛容差。standardization
是否在拟合模型之前对训练特征进行标准化。模型的系数将始终按原始比例返回,因此对用户来说是透明的。请注意,无论有无标准化,当不应用正则化时,模型应始终收敛到相同的解决方案。threshold
应用于线性模型预测的二元分类阈值。该阈值可以是任何实数,其中 Inf 将使所有预测为 0.0,-Inf 将使所有预测为 1.0。weightCol
权重列名称。aggregationDepth
treeAggregate 的深度(大于或等于 2)。如果特征的维度或分区的数量很大,可以将此参数调整为更大的大小。这是一个专家参数。对于大多数情况,默认值应该是好的。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
由spark.svmLinear
拟合的 LinearSVCModel。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.svmLinear
返回拟合的线性 SVM 模型。
predict
返回基于 LinearSVCModel 的预测值。
summary
返回拟合模型的汇总信息,是一个列表。该列表包括coefficients
(拟合模型的系数)、numClasses
(类数)、numFeatures
(特征数)。
注意:
spark.svmLinear 从 2.2.0 开始
从 2.2.0 开始预测(LinearSVCModel)
摘要(LinearSVCModel)自 2.2.0 起
write.ml(LogisticRegression, character) 自 2.2.0 起
例子:
sparkR.session()
t <- as.data.frame(Titanic)
training <- createDataFrame(t)
model <- spark.svmLinear(training, Survived ~ ., regParam = 0.5)
summary <- summary(model)
# fitted values on training data
fitted <- predict(model, training)
# save fitted model to input path
path <- "path/to/model"
write.ml(model, path)
# can also read back the saved model and predict
# Note that summary deos not work on loaded model
savedModel <- read.ml(path)
summary(savedModel)
相关用法
- R SparkR spark.survreg用法及代码示例
- 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.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.lm用法及代码示例
- R SparkR spark.mlp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 Linear SVM 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。