功能介绍

保序回归在观念上是寻找一组非递减的片段连续线性函数（piecewise linear continuous functions），即保序函数，使其与样本尽可能的接近。

参数说明

名称 中文名称 描述 类型 是否必须？ 默认值
featureCol 特征列名 特征列的名称 String null
isotonic 输出序列是否 输出序列是否递增 Boolean true
featureIndex 训练特征所在维度 训练特征在输入向量的第featureIndex维 Integer 0
labelCol 标签列名 输入表中的标签列名 String ✓
weightCol 权重列名 权重列对应的列名 String null
vectorCol 向量列名 向量列对应的列名，默认值是null String null
predictionCol 预测结果列名 预测结果列名 String ✓

脚本示例

脚本代码

  1. data = np.array([[0.35, 1],\
  2. [0.6, 1],\
  3. [0.55, 1],\
  4. [0.5, 1],\
  5. [0.18, 0],\
  6. [0.1, 1],\
  7. [0.8, 1],\
  8. [0.45, 0],\
  9. [0.4, 1],\
  10. [0.7, 0],\
  11. [0.02, 1],\
  12. [0.3, 0],\
  13. [0.27, 1],\
  14. [0.2, 0],\
  15. [0.9, 1]])
  17. df = pd.DataFrame({"feature" : data[:,0], "label" : data[:,1]})
  18. data = dataframeToOperator(df, schemaStr="label double, feature double",op_type="batch")
  20. res = IsotonicRegression()\
  21.             .setFeatureCol("feature")\
  22.             .setLabelCol("label").setPredictionCol("result")
  23. res.fit(data).transform(data).collectToDataframe()

脚本运行结果

模型结果
model_id model_info
0 {“vectorCol”:”\”col2\””,”featureIndex”:”0”,”featureCol”:null}
1048576 [0.02,0.3,0.35,0.45,0.5,0.7]
2097152 [0.5,0.5,0.6666666865348816,0.6666666865348816,0.75,0.75]
预测结果
col1 col2 col3 pred
1.0 0.9 1.0 0.75
0.0 0.7 1.0 0.75
1.0 0.35 1.0 0.6666666865348816
1.0 0.02 1.0 0.5
1.0 0.27 1.0 0.5
1.0 0.5 1.0 0.75
0.0 0.18 1.0 0.5
0.0 0.45 1.0 0.6666666865348816
1.0 0.8 1.0 0.75
1.0 0.6 1.0 0.75
1.0 0.4 1.0 0.6666666865348816
0.0 0.3 1.0 0.5
1.0 0.55 1.0 0.75
0.0 0.2 1.0 0.5
1.0 0.1 1.0 0.5