在Spark 2.2.0中从管道模型的输出中获取BinaryLogisticRegressionSummary

在Spark 2.2.0中，可以通过以下步骤从管道模型的输出中获取BinaryLogisticRegressionSummary：

1. 导入必要的库和模块：

from pyspark.ml.classification import BinaryLogisticRegressionModel
from pyspark.ml.evaluation import BinaryClassificationEvaluator

1. 加载训练好的管道模型：

model = BinaryLogisticRegressionModel.load("path/to/model")

1. 获取模型的摘要信息：

summary = model.summary

1. 从摘要中获取BinaryLogisticRegressionSummary：

binary_summary = summary.binaryLogisticRegressionSummary

BinaryLogisticRegressionSummary提供了以下属性和方法：

• areaUnderROC：返回模型的ROC曲线下面积。
• roc：返回模型的ROC曲线的DataFrame，包含两列：FPR（False Positive Rate）和TPR（True Positive Rate）。
• pr：返回模型的PR（Precision-Recall）曲线的DataFrame，包含两列：recall和precision。
• precisionByThreshold：返回不同阈值下的精确度。
• recallByThreshold：返回不同阈值下的召回率。
• fMeasureByThreshold：返回不同阈值下的F1值。
• accuracy：返回模型的准确率。
• weightedTruePositiveRate：返回加权的真阳性率。
• weightedFalsePositiveRate：返回加权的假阳性率。
• weightedFMeasure：返回加权的F1值。
• numIterations：返回模型的迭代次数。
• objectiveHistory：返回模型训练过程中的目标函数历史记录。

BinaryLogisticRegressionSummary还提供了以下方法：

• prAtThreshold：返回给定阈值下的PR曲线上的点。
• recallAtThreshold：返回给定阈值下的召回率。
• fMeasureByLabel：返回给定标签下的F1值。
• precisionByLabel：返回给定标签下的精确度。
• falsePositiveRateByLabel：返回给定标签下的假阳性率。
• truePositiveRateByLabel：返回给定标签下的真阳性率。

这些信息可以帮助我们评估模型的性能和效果，并根据需要进行调整和优化。

腾讯云相关产品和产品介绍链接地址：

• 腾讯云机器学习平台（ModelArts）
• 腾讯云数据分析（DataWorks）
• 腾讯云大数据分析（CDAP）
• 腾讯云人工智能开放平台（AI Lab）
• 腾讯云云服务器（CVM）
• 腾讯云对象存储（COS）
• 腾讯云数据库（TencentDB）
• 腾讯云区块链服务（TBaaS）
• 腾讯云物联网平台（IoT Hub）
• 腾讯云移动应用开发（移动开发平台）
• 腾讯云音视频处理（云点播）
• 腾讯云网络安全（Web 应用防火墙）
• 腾讯云云原生应用平台（TKE）
• 腾讯云元宇宙（QCloud Metaverse）