用MLLib保存线性回归模型的误差
试图将我的线性回归模型保存到磁盘上，我收到了一个错误：“typeerror：save（）接受了2个位置参数，但给出了3个”
sc=SparkContext()
lr=线性回归(featuresCol='features',labelcol='nextorderindays',maxiter=10,regparam=0.3,ellasticnetparam=0.8)
lr_model=LR.FIT(train_df)
搜索web输出类似于我所写的内容。第三个论点我错过了什么？
谢谢
共有1个答案
-
也就是说，我希望截距为4，权重为(2，3)。 如果我运行linearregressionwithsgd.train（...）在原始数据上，模型是： 而且预测都是南：
-
回归问题的条件或者说前提是 1） 收集的数据 2） 假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。 1 线性回归的概念 线性回归假设特征和结果都满足线性。即不大于一次方。收集的数据中，每一个分量，就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数，向量表示形式： 这个就是一个组合问题，
-
线性回归模型（linear regression） 1.模型定义 给定数据集，$$T={(x{(1)},y{(1)}),(x{(2)},y{(2)}),...,(x{(m)},y{(m)})}$$，其中$$x{(i)}=(1, x_1, x_2, ..., x_n)T\in X= R{n+1}$$，$$y{(i)}\in Y=R$$，线性回归模型试图学到一个通过属性的线性组合来进行预测的函数，即
-
1 普通线性模型 普通线性模型(ordinary linear model)可以用下式表示： Y = \beta0 + \beta_1 x_1 + \beta_2 x_2 + … + \beta{p-1} x_{p-1} + \epsilon 这里$\beta$是未知参数，$\epsilon$是误差项。普通线性模型主要有以下几点假设： 响应变量$Y$和误差项$\epsilon$均服从正太分
-
在pySpark MLlib中，似乎没有办法保存和加载回归模型，例如LogisticRegressionModel、SVModel、NaiveBayesModel和DecisionTreeModel。通过JavaSavable和JavaLoader mixins对推荐模型MatrixFactorizationModel进行加载和保存，但回归模型不是这样做的。 有没有一种方法，我可以通过提供我自己的
-
1 二元逻辑回归 回归是一种很容易理解的模型，就相当于y=f(x)，表明自变量x与因变量y的关系。最常见问题如医生治病时的望、闻、问、切，之后判定病人是否生病或生了什么病， 其中的望、闻、问、切就是获取的自变量x，即特征数据，判断是否生病就相当于获取因变量y，即预测分类。最简单的回归是线性回归，但是线性回归的鲁棒性很差。 逻辑回归是一种减小预测范围，将预测值限定为[0,1]间的一种回归模型