java spark中的保序回归，如何展示训练结果，给出评价指标？请给出代码

Java Spark中的保序回归可以使用Apache Spark MLlib中的IsotonicRegression类来实现。以下是一个简单的示例代码，展示如何训练保序回归模型，并评估模型的性能：

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.ml.evaluation.RegressionEvaluator;
import org.apache.spark.ml.regression.IsotonicRegression;
import org.apache.spark.ml.regression.IsotonicRegressionModel;
import org.apache.spark.mllib.linalg.Vectors;
import org.apache.spark.mllib.regression.LabeledPoint;

public class IsotonicRegressionExample {

  public static void main(String[] args) {
    // 创建SparkContext
    SparkConf conf = new SparkConf().setAppName("IsotonicRegressionExample");
    JavaSparkContext jsc = new JavaSparkContext(conf);

    // 加载数据
    JavaRDD<String> data = jsc.textFile("data/mllib/sample_isotonic_regression_data.txt");
    JavaRDD<LabeledPoint> parsedData = data.map(line -> {
      String[] parts = line.split(",");
      return new LabeledPoint(Double.parseDouble(parts[0]), Vectors.dense(Double.parseDouble(parts[1])));
    });

    // 将数据集分为训练集和测试集
    JavaRDD<LabeledPoint>[] splits = parsedData.randomSplit(new double[]{0.7, 0.3});
    JavaRDD<LabeledPoint> trainingData = splits[0];
    JavaRDD<LabeledPoint> testData = splits[1];

    // 训练保序回归模型
    IsotonicRegression ir = new IsotonicRegression();
    IsotonicRegressionModel model = ir.fit(trainingData);

    // 在测试集上评估模型
    RegressionEvaluator evaluator = new RegressionEvaluator()
      .setLabelCol("label")
      .setPredictionCol("prediction")
      .setMetricName("rmse");
    double rmse = evaluator.evaluate(predictions);

    // 打印模型参数和评估指标
    System.out.println("Coefficients: " + model.boundaries() + "\n" + model.predictions());
    System.out.println("Root Mean Squared Error (RMSE) on test data = " + rmse);

    // 关闭SparkContext
    jsc.stop();
  }
}

在上述代码中，我们首先加载数据并将其解析为LabeledPoint对象的RDD。然后，我们将数据集拆分为训练集和测试集，并使用IsotonicRegression类训练保序回归模型。最后，我们使用RegressionEvaluator类在测试集上评估模型的性能，并打印出模型参数和评估指标。