逻辑回归 混交矩阵 scala代码

以下是使用Scala语言编写的逻辑回归模型混淆矩阵代码示例：

import org.apache.spark.ml.classification.LogisticRegression
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator
import org.apache.spark.mllib.evaluation.MulticlassMetrics
import org.apache.spark.sql.{DataFrame, SparkSession}

object LogisticRegressionConfusionMatrixExample {

  def main(args: Array[String]): Unit = {

    // 创建 SparkSession
    val spark = SparkSession.builder()
      .appName("LogisticRegressionConfusionMatrixExample")
      .master("local[*]")
      .getOrCreate()

    // 加载数据集
    val data = spark.read.format("libsvm")
      .load("data/sample_libsvm_data.txt")

    // 将数据集分为训练集和测试集
    val Array(trainingData, testData) = data.randomSplit(Array(0.7, 0.3), seed = 1234L)

    // 创建逻辑回归模型
    val lr = new LogisticRegression()
      .setMaxIter(10)
      .setRegParam(0.3)
      .setElasticNetParam(0.8)

    // 训练模型
    val lrModel = lr.fit(trainingData)

    // 在测试集上进行预测
    val predictions = lrModel.transform(testData)

    // 创建评估器并计算准确率
    val evaluator = new MulticlassClassificationEvaluator()
      .setLabelCol("label")
      .setPredictionCol("prediction")
      .setMetricName("accuracy")
    val accuracy = evaluator.evaluate(predictions)
    println(s"Accuracy: $accuracy")

    // 计算混淆矩阵
    val predictionAndLabel = predictions.select("prediction", "label")
      .rdd.map(r => (r.getDouble(0), r.getDouble(1)))
    val metrics = new MulticlassMetrics(predictionAndLabel)
    val confusionMatrix = metrics.confusionMatrix
    println(s"Confusion Matrix:\n$confusionMatrix")

    // 关闭 SparkSession
    spark.stop()
  }
}

在这个示例中，我们使用逻辑回归模型对一个简单的数据集进行分类，然后使用MulticlassMetrics类计算混淆矩阵，并打印出来。代码中的数据集是Spark自带的一个样例数据集，可以在本地运行。