GLM预测

功能介绍

使用新数据集，对GLM模型进行评估

参数说明

名称 中文名称 描述 类型 是否必须？ 默认值
family 分布族 分布族，包含gaussian, binomial, poisson, gamma and tweedie，默认值gaussian。 String “gaussian”
variancePower 分布族的超参 分布族的超参，默认值是0.0 Double 0.0
link 连接函数 连接函数，包含cloglog, identity, inverse, log, logit, power, probit和sqrt，默认值是指数分布族对应的连接函数。 String null
linkPower 连接函数的超参 连接函数的超参 Double 1.0
offsetCol 偏移列 偏移列 String null
fitIntercept 是否拟合常数项 是否拟合常数项，默认是拟合 Boolean true
regParam l2正则系数 l2正则系数 Double 0.0
epsilon 收敛精度 收敛精度 Double 1.0E-5
weightCol 权重列名 权重列对应的列名 String null
maxIter 最大迭代步数 最大迭代步数，默认为 10。 Integer 10
featureCols 特征列名 特征列名，必选 String[] ✓
labelCol 标签列名 输入表中的标签列名 String ✓

脚本示例

脚本代码

  2. # data
  3. data = np.array([
  4.     [1.6094,118.0000,69.0000,1.0000,2.0000],
  5.     [2.3026,58.0000,35.0000,1.0000,2.0000],
  6.     [2.7081,42.0000,26.0000,1.0000,2.0000],
  7.     [2.9957,35.0000,21.0000,1.0000,2.0000],
  8.     [3.4012,27.0000,18.0000,1.0000,2.0000],
  9.     [3.6889,25.0000,16.0000,1.0000,2.0000],
  10.     [4.0943,21.0000,13.0000,1.0000,2.0000],
  11.     [4.3820,19.0000,12.0000,1.0000,2.0000],
  12.     [4.6052,18.0000,12.0000,1.0000,2.0000]
  13. ])
  16. df = pd.DataFrame({"u": data[:, 0], "lot1": data[:, 1], "lot2": data[:, 2], "offset": data[:, 3], "weights": data[:, 4]})
  17. source = dataframeToOperator(df, schemaStr='u double, lot1 double, lot2 double, offset double, weights double', op_type='batch')
  19. featureColNames = ["lot1", "lot2"]
  20. labelColName = "u"
  22. # train
  23. train = GlmTrainBatchOp()\
  24.                 .setFamily("gamma")\
  25.                 .setLink("Log")\
  26.                 .setRegParam(0.3)\
  27.                 .setMaxIter(5)\
  28.                 .setFeatureCols(featureColNames)\
  29.                 .setLabelCol(labelColName)
  31. source.link(train)
  33. # predict
  34. predict =  GlmPredictBatchOp()\
  35.                 .setPredictionCol("pred")
  37. predict.linkFrom(train, source)
  40. # eval
  41. eval =  GlmEvaluationBatchOp()\
  42.                 .setFamily("gamma")\
  43.                 .setLink("Log")\
  44.                 .setRegParam(0.3)\
  45.                 .setMaxIter(5)\
  46.                 .setFeatureCols(featureColNames)\
  47.                 .setLabelCol(labelColName)
  49. eval.linkFrom(train, source)
  51. predict.print()
  52. eval.print()

脚本运行结果

u lot1 lot2 offset weights pred
0 1.6094 118.0 69.0 1.0 2.0 0.378525
1 2.3026 58.0 35.0 1.0 2.0 0.970639
2 2.7081 42.0 26.0 1.0 2.0 1.126458
3 2.9957 35.0 21.0 1.0 2.0 1.227753
4 3.4012 27.0 18.0 1.0 2.0 1.258898
5 3.6889 25.0 16.0 1.0 2.0 1.305654
6 4.0943 21.0 13.0 1.0 2.0 1.367991
7 4.3820 19.0 12.0 1.0 2.0 1.383571
8 4.6052 18.0 12.0 1.0 2.0 1.375774