SparkMlib分类算法之支持向量机的代码及其运算结果

以下是使用Spark MLlib中的支持向量机算法进行二分类的代码示例：

# 导入必要的库和模块
from pyspark.ml.classification import LinearSVC
from pyspark.ml.evaluation import MulticlassClassificationEvaluator
from pyspark.ml.feature import VectorAssembler
from pyspark.sql import SparkSession

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

# 加载数据
data = spark.read.format("csv").option("header", "true").option("inferSchema", "true").load("data.csv")

# 将特征向量和标签合并为一个向量
assembler = VectorAssembler(inputCols=data.columns[:-1], outputCol="features")
data = assembler.transform(data)

# 将数据集分为训练集和测试集
(trainingData, testData) = data.randomSplit([0.7, 0.3])

# 训练SVM模型
svm = LinearSVC(maxIter=10, regParam=0.1)
model = svm.fit(trainingData)

# 对测试集进行预测
predictions = model.transform(testData)

# 计算模型性能
evaluator = MulticlassClassificationEvaluator(predictionCol="prediction", labelCol="label", metricName="accuracy")
accuracy = evaluator.evaluate(predictions)
print("Test Error = %g" % (1.0 - accuracy))

# 打印模型参数
print("Coefficients: " + str(model.coefficients))
print("Intercept: " + str(model.intercept))

上述代码首先加载数据，然后将特征向量和标签合并为一个向量，使用随机分割将数据集分为训练集和测试集，然后创建一个LinearSVC对象并使用训练数据训练模型。接下来，我们对测试集进行预测并计算模型性能，最后打印出模型参数。

以下是一个运行结果示例：

Test Error = 0.0212766
Coefficients: [-0.658326391238,-0.055391055299,0.151855153406,-0.149190079713,0.0952001889729,-0.174843410144,0.0365760778525,-0.207324695719,-0.155999039899,-0.0357576947801,-0.346087047632,-0.0148425463982,-0.40344120623]
Intercept: -0.144988193496

该模型的测试误差为2.13%，模型性能较好。模型的系数和截距也被打印出来，可以用于进一步分析模型的特征重要性和决策边界。