Spark-ML 线性回归 LinearRegression

Spark-ML 线性回归 LinearRegression （1）

LinearRegression参数详述：

1. 正则化参数-Regparam：（Double）默认值为0.0

Regparam:The Regularization Parameter.,Default Is 0.0 
@Since(“1.3.0”)

2. 适应截距-FitIntercept：（Boolean）如果我们应该适应截距，默认值为true。

FitIntercept:if we should fit the intercept,Default is true. 
@Since(“1.5.0”)

3. 培训功能-Standardization：在拟合模型之前是否规范培训功能，默认为true。

Standardization:Whether to standardize the training features before fitting the model,Default is true. 
@Since(“1.5.0”)

4. 混合参数-ElasticNetParam：（Double）

对于α= 0，惩罚是L2惩罚。 
对于α= 1，它是一个L1惩罚。 
对于（0,1）中的α，惩罚是L1和L2的组合。 
默认值为0.0，这是一个L2惩罚。 
ElasticNetParam:Set the ElasticNet mixing parameter.0 for L2 penalty,1 for L1 penalty,(0,1) for a combination of L1 and L2.Default is 0.0 
@Since(“1.4.0”)

5. 最大迭代次数-MaxIter：最大迭代次数。默认值为100。

MaxIter:the maximum number of iterations,Default is 100. 
@Since(“1.3.0”)

6. 迭代的收敛公差-Tol：（Double）设置迭代的收敛公差。

更小的价值将导致更高的准确性与更多的迭代的成本。默认为1E-6。 
Tol:the convergence tolerance of iterations.Default is 1E-6. 
@Since(“1.4.0”)

7. 权重-WeightCol：（String）是否根据给定的权重weightCol进行过度/低于样本的训练实例。

如果没有set或为空，则所有实例都被平等对待（重量为1.0）。 
默认没有set，所以所有的实例都有权重。 
WeightCol:Whether to over-/under-sample training instances according to the given weights in weightCol,Default is weight 1.0. 
val w = if (!isDefined(weightCol) || $(weightCol).isEmpty) lit(1.0) else col($(weightCol)) 

@Since(“1.6.0”)

8. 求解算法-Solver：（String）设置用于优化的求解算法。

在线性回归的情况下，这可以是“l-bfgs”，“normal”和“auto”。 
“l-bfgs”表示有限存储器BFGS，其是有限存储器的准牛顿优化方法。 
“normal”表示使用正态方程作为线性回归问题的解析解。 此求解器仅限于“LinearRegression.MAX_FEATURES_FOR_NORMAL_SOLVER”。 
“auto”（默认）表示自动选择求解器算法。 正常方程式求解器将在可能的情况下使用，但在需要时会自动回退到迭代优化方法。 
@Since(“1.6.0”)

9. 建议树的聚集的深度-AggregationDepth：（Int）建议树的聚集（大于或等于2）的深度。

如果功能的尺寸或分区数量较大， 
这个参数可以调整到更大的尺寸。 
默认值为2。 
@Since(“2.1.0”)

来自 http://blog.csdn.net/qq_24734217/article/details/75476729