Blame - docs/dyn/prediction.v1.4.trainedmodels.html - platform/external/python/google-api-python-client

"trainingStatus": "A String", # The current status of the training job. This can be one of following: RUNNING; DONE; ERROR; ERROR: TRAINING JOB NOT FOUND

39

"modelInfo": { # Model metadata.

40

"confusionMatrixRowTotals": { # A list of the confusion matrix row totals

41

},

42

"numberLabels": "A String", # Number of class labels in the trained model [Categorical models only].

43

"confusionMatrix": { # An output confusion matrix. This shows an estimate for how this model will do in predictions. This is first indexed by the true class label. For each true class label, this provides a pair {predicted_label, count}, where count is the estimated number of times the model will predict the predicted label given the true label [Categorical models only].

44

},

45

"meanSquaredError": 3.140000, # An estimated mean squared error. The can be used to measure the quality of the predicted model [Regression models only].

46

"modelType": "A String", # Type of predictive model (CLASSIFICATION or REGRESSION)

47

"numberInstances": "A String", # Number of valid data instances used in the trained model.

48

"classWeightedAccuracy": 3.140000, # Estimated accuracy of model taking utility weights into account [Categorical models only].

49

"classificationAccuracy": 3.140000, # A number between 0.0 and 1.0, where 1.0 is 100% accurate. This is an estimate, based on the amount and quality of the training data, of the estimated prediction accuracy. You can use this is a guide to decide whether the results are accurate enough for your needs. This estimate will be more reliable if your real input data is similar to your training data [Categorical models only].

50

},

51

"storagePMMLLocation": "A String", # Google storage location of the preprocessing pmml file.

52

"id": "A String", # The unique name for the predictive model.

53

"selfLink": "A String", # A URL to re-request this resource.

54

"utility": [ # A class weighting function, which allows the importance weights for class labels to be specified [Categorical models only].

55

{ # Class label (string).

56

},

57

],

58

}</tt></dd></dl>

Joe Gregorio

761c456

2011-10-28 14:36:24 -0400

[diff] [blame]

59

60

<dl><dt><a name="Resource-insert">insert</a> = method(self, **kwargs)</dt><dd><tt>Begin training your model.

61

62

Args:

Joe Gregorio

b417caf

2011-12-08 12:04:24 -0500

[diff] [blame^]

63

body: object, The request body. (required)

64

The object takes the form of:

65

66

{

67

"kind": "prediction#training", # What kind of resource this is.

68

"storageDataLocation": "A String", # Google storage location of the training data file.

69

"dataAnalysis": { # Data Analysis.

"warnings": [

"A String",

],

},

"trainingStatus": "A String", # The current status of the training job. This can be one of following: RUNNING; DONE; ERROR; ERROR: TRAINING JOB NOT FOUND

75

"modelInfo": { # Model metadata.

76

"confusionMatrixRowTotals": { # A list of the confusion matrix row totals

77

},

78

"numberLabels": "A String", # Number of class labels in the trained model [Categorical models only].

79

"confusionMatrix": { # An output confusion matrix. This shows an estimate for how this model will do in predictions. This is first indexed by the true class label. For each true class label, this provides a pair {predicted_label, count}, where count is the estimated number of times the model will predict the predicted label given the true label [Categorical models only].

80

},

81

"meanSquaredError": 3.140000, # An estimated mean squared error. The can be used to measure the quality of the predicted model [Regression models only].

82

"modelType": "A String", # Type of predictive model (CLASSIFICATION or REGRESSION)

83

"numberInstances": "A String", # Number of valid data instances used in the trained model.

84

"classWeightedAccuracy": 3.140000, # Estimated accuracy of model taking utility weights into account [Categorical models only].

85

"classificationAccuracy": 3.140000, # A number between 0.0 and 1.0, where 1.0 is 100% accurate. This is an estimate, based on the amount and quality of the training data, of the estimated prediction accuracy. You can use this is a guide to decide whether the results are accurate enough for your needs. This estimate will be more reliable if your real input data is similar to your training data [Categorical models only].

86

},

87

"storagePMMLLocation": "A String", # Google storage location of the preprocessing pmml file.

88

"id": "A String", # The unique name for the predictive model.

89

"selfLink": "A String", # A URL to re-request this resource.

90

"utility": [ # A class weighting function, which allows the importance weights for class labels to be specified [Categorical models only].

91

{ # Class label (string).

},

],

}

Returns:

An object of the form

99

100

{

101

"kind": "prediction#training", # What kind of resource this is.

102

"storageDataLocation": "A String", # Google storage location of the training data file.

103

"dataAnalysis": { # Data Analysis.

"warnings": [

"A String",

],

},

"trainingStatus": "A String", # The current status of the training job. This can be one of following: RUNNING; DONE; ERROR; ERROR: TRAINING JOB NOT FOUND

109

"modelInfo": { # Model metadata.

110

"confusionMatrixRowTotals": { # A list of the confusion matrix row totals

111

},

112

"numberLabels": "A String", # Number of class labels in the trained model [Categorical models only].

113

"confusionMatrix": { # An output confusion matrix. This shows an estimate for how this model will do in predictions. This is first indexed by the true class label. For each true class label, this provides a pair {predicted_label, count}, where count is the estimated number of times the model will predict the predicted label given the true label [Categorical models only].

114

},

115

"meanSquaredError": 3.140000, # An estimated mean squared error. The can be used to measure the quality of the predicted model [Regression models only].

116

"modelType": "A String", # Type of predictive model (CLASSIFICATION or REGRESSION)

117

"numberInstances": "A String", # Number of valid data instances used in the trained model.

118

"classWeightedAccuracy": 3.140000, # Estimated accuracy of model taking utility weights into account [Categorical models only].

119

"classificationAccuracy": 3.140000, # A number between 0.0 and 1.0, where 1.0 is 100% accurate. This is an estimate, based on the amount and quality of the training data, of the estimated prediction accuracy. You can use this is a guide to decide whether the results are accurate enough for your needs. This estimate will be more reliable if your real input data is similar to your training data [Categorical models only].

120

},

121

"storagePMMLLocation": "A String", # Google storage location of the preprocessing pmml file.

122

"id": "A String", # The unique name for the predictive model.

123

"selfLink": "A String", # A URL to re-request this resource.

124

"utility": [ # A class weighting function, which allows the importance weights for class labels to be specified [Categorical models only].

125

{ # Class label (string).

126

},

127

],

128

}</tt></dd></dl>

Joe Gregorio

761c456

2011-10-28 14:36:24 -0400

[diff] [blame]

129

130

<dl><dt><a name="Resource-predict">predict</a> = method(self, **kwargs)</dt><dd><tt>Submit model id and request a prediction

131

132

Args:

133

body: object, The request body. (required)

Joe Gregorio

b417caf

2011-12-08 12:04:24 -0500

[diff] [blame^]

134

The object takes the form of:

135

136

{

137

"input": { # Input to the model for a prediction

138

"csvInstance": [ # A list of input features, these can be strings or doubles.

"",

],

},

}

id: string, The unique name for the predictive model. (required)

145

146

Returns:

147

An object of the form

148

149

{

150

"kind": "prediction#output", # What kind of resource this is.

151

"outputLabel": "A String", # The most likely class label [Categorical models only].

152

"id": "A String", # The unique name for the predictive model.

153

"outputMulti": [ # A list of class labels with their estimated probabilities [Categorical models only].

154

{

155

"score": 3.140000, # The probability of the class label.

156

"label": "A String", # The class label.

157

},

158

],

159

"outputValue": 3.140000, # The estimated regression value [Regression models only].

160

"selfLink": "A String", # A URL to re-request this resource.

161

}</tt></dd></dl>

Joe Gregorio

761c456

2011-10-28 14:36:24 -0400

[diff] [blame]

162

163

<dl><dt><a name="Resource-update">update</a> = method(self, **kwargs)</dt><dd><tt>Add new data to a trained model.

164

165

Args:

166

body: object, The request body. (required)

Joe Gregorio

b417caf

2011-12-08 12:04:24 -0500

[diff] [blame^]

167

The object takes the form of:

168

169

{

170

"csvInstance": [ # The input features for this instance

171

"",

172

],

173

"label": "A String", # The true class label of this instance

174

}

175

176

id: string, The unique name for the predictive model. (required)

177

178

Returns:

179

An object of the form

180

181

{

182

"kind": "prediction#training", # What kind of resource this is.

183

"storageDataLocation": "A String", # Google storage location of the training data file.

184

"dataAnalysis": { # Data Analysis.

"warnings": [

"A String",

],

},

"trainingStatus": "A String", # The current status of the training job. This can be one of following: RUNNING; DONE; ERROR; ERROR: TRAINING JOB NOT FOUND

190

"modelInfo": { # Model metadata.

191

"confusionMatrixRowTotals": { # A list of the confusion matrix row totals

192

},

193

"numberLabels": "A String", # Number of class labels in the trained model [Categorical models only].

194

"confusionMatrix": { # An output confusion matrix. This shows an estimate for how this model will do in predictions. This is first indexed by the true class label. For each true class label, this provides a pair {predicted_label, count}, where count is the estimated number of times the model will predict the predicted label given the true label [Categorical models only].

195

},

196

"meanSquaredError": 3.140000, # An estimated mean squared error. The can be used to measure the quality of the predicted model [Regression models only].

197

"modelType": "A String", # Type of predictive model (CLASSIFICATION or REGRESSION)

198

"numberInstances": "A String", # Number of valid data instances used in the trained model.

199

"classWeightedAccuracy": 3.140000, # Estimated accuracy of model taking utility weights into account [Categorical models only].

200

"classificationAccuracy": 3.140000, # A number between 0.0 and 1.0, where 1.0 is 100% accurate. This is an estimate, based on the amount and quality of the training data, of the estimated prediction accuracy. You can use this is a guide to decide whether the results are accurate enough for your needs. This estimate will be more reliable if your real input data is similar to your training data [Categorical models only].

201

},

202

"storagePMMLLocation": "A String", # Google storage location of the preprocessing pmml file.

203

"id": "A String", # The unique name for the predictive model.

204

"selfLink": "A String", # A URL to re-request this resource.

205

"utility": [ # A class weighting function, which allows the importance weights for class labels to be specified [Categorical models only].

206

{ # Class label (string).