在Spark下使用MLlib实现线性回归算法程序，并能够拟合输入数据集以获得需求回归公式。对拟合曲线进行验证。

下面是一个例子，演示如何在Spark下使用MLlib实现线性回归算法程序，并拟合输入数据集以获得回归公式：

from pyspark.ml.regression import LinearRegression
from pyspark.ml.evaluation import RegressionEvaluator
from pyspark.sql import SparkSession

# 创建SparkSession
spark = SparkSession.builder.appName("LinearRegressionExample").getOrCreate()

# 读取数据集
data = spark.read.format("libsvm").load("data/mllib/sample_linear_regression_data.txt")

# 划分训练集和测试集
(trainingData, testData) = data.randomSplit([0.7, 0.3])

# 创建线性回归模型
lr = LinearRegression(maxIter=10, regParam=0.3, elasticNetParam=0.8)

# 训练模型
model = lr.fit(trainingData)

# 预测测试集
predictions = model.transform(testData)

# 打印预测结果
predictions.show()

# 评估模型
evaluator = RegressionEvaluator(metricName="rmse", labelCol="label", predictionCol="prediction")
rmse = evaluator.evaluate(predictions)
print("Root Mean Squared Error (RMSE) on test data = %g" % rmse)

# 输出回归公式
print("Coefficients: " + str(model.coefficients))
print("Intercept: " + str(model.intercept))

# 停止SparkSession
spark.stop()

在这个例子中，我们使用`LinearRegression`类来创建一个线性回归模型。我们还指定了最大迭代次数(maxIter)、正则化参数(regParam)和弹性网络参数(elasticNetParam)。然后我们使用训练集来训练模型，并使用测试集来评估模型的表现。最后，我们打印出预测结果和回归公式。