• 功能介绍
  • 参数说明
  • 脚本示例
    • 脚本代码
    • 脚本运行结果

    功能介绍

    多层感知机多分类模型

    参数说明

    名称 中文名称 描述 类型 是否必须？ 默认值
    layers 神经网络层大小 神经网络层大小 int[] ✓
    blockSize 数据分块大小，默认值64 数据分块大小，默认值64 Integer 64
    initialWeights 初始权重值 初始权重值 DenseVector null
    vectorCol 向量列名 向量列对应的列名，默认值是null String null
    featureCols 特征列名数组 特征列名数组，默认全选 String[] null
    labelCol 标签列名 输入表中的标签列名 String ✓
    maxIter 最大迭代步数 最大迭代步数，默认为 100 Integer 100
    epsilon 收敛阈值 迭代方法的终止判断阈值，默认值为 1.0e-6 Double 1.0E-6
    l1 L1 正则化系数 L1 正则化系数，默认为0。 Double 0.0
    l2 正则化系数 L2 正则化系数，默认为0。 Double 0.0
    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 ✓
    predictionDetailCol 预测详细信息列名 预测详细信息列名 String
    reservedCols 算法保留列名 算法保留列 String[] null

    脚本示例

    脚本代码

    1. URL = "http://alink-dataset.cn-hangzhou.oss.aliyun-inc.com/csv/iris.csv"
    2. SCHEMA_STR = "sepal_length double, sepal_width double, petal_length double, petal_width double, category string";
    3. data = CsvSourceBatchOp().setFilePath(URL).setSchemaStr(SCHEMA_STR)
    5. mlpc = MultilayerPerceptronClassifier() \
    6.     .setFeatureCols(["sepal_length", "sepal_width", "petal_length", "petal_width"]) \
    7.     .setLabelCol("category") \
    8.     .setLayers([4, 5, 3]) \
    9.     .setMaxIter(20) \
    10.     .setPredictionCol("pred_label") \
    11.     .setPredictionDetailCol("pred_detail")
    13. mlpc.fit(data).transform(data).firstN(4).print()

    脚本运行结果

    1.    sepal_length  sepal_width  ...       pred_label                                        pred_detail
    2. 0           5.1          3.5  ...      Iris-setosa  {"Iris-versicolor":4.847903295060146E-12,"Iris...
    3. 1           5.0          2.0  ...  Iris-versicolor  {"Iris-versicolor":0.5316800097281505,"Iris-vi...
    4. 2           5.1          3.7  ...      Iris-setosa  {"Iris-versicolor":9.36626517454266E-10,"Iris-...
    5. 3           6.4          2.8  ...   Iris-virginica  {"Iris-versicolor":0.19480380926794844,"Iris-v...