Изменения
Нет описания правки
===Линейная регрессия===
Sbt зависимость:
Пример линейной регрессии c применением org.apache.spark.ml.regression.LinearRegression<ref>[https://spark.apache.org/docs/latest/ml-classification-regression.html#linear-regression Spark, LinearRegression]</ref>:
val training = spark.read.format("libsvm")
===Вариации регрессии===
Sbt зависимость:
Пример ридж и лассо регрессии c применением smile.regression<ref>[https://haifengl.github.io/smile/regression.html Smile, Regression]</ref>:
import smile.data.{AttributeDataset, NumericAttribute}
===Логистическая регрессия===
Sbt зависимость:
Пример логистической регрессии c применением spark.mllib.classification<ref>[https://spark.apache.org/docs/2.3.1/mllib-linear-methods.html#logistic-regression Spark, Logistic Regression]</ref>:
import org.apache.spark.mllib.classification.{LogisticRegressionModel, LogisticRegressionWithLBFGS}
val accuracy = metrics.accuracy
println(accuracy)
===Классификация при помощи MLP===
Sbt зависимость:
libraryDependencies += "com.github.haifengl" %% "smile-scala" % "1.5.2"
Пример классификации c применением smile.classification.mlp<ref>[https://haifengl.github.io/smile/classification.html#neural-network Smile, MLP]</ref>:
import smile.classification.NeuralNetwork.{ActivationFunction, ErrorFunction}
import smile.data.{AttributeDataset, NumericAttribute}
import smile.read
import smile.classification.mlp
import smile.plot.plot
val data: AttributeDataset = read.table("iris.csv", delimiter = ",", response = Some((new NumericAttribute("class"), 2)))
val x: Array[Array[Double]] = data.x()
val y: Array[Int] = data.y().map(_.toInt)
val mlpModel = mlp(x, y, Array(2, 10, 2), ErrorFunction.LEAST_MEAN_SQUARES, ActivationFunction.LOGISTIC_SIGMOID)
plot(x, y, mlpModel)
== Примечания ==
<references/>
