Linear Support Vector Machines (SVMs)RDD-based API scala语言代码显示预测结果

下面是一个显示预测结果的 Scala 代码示例：

import org.apache.spark.mllib.classification.{SVMModel, SVMWithSGD}
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint

// 加载数据
val data = sc.textFile("data.txt")
val parsedData = data.map { line =>
  val parts = line.split(',')
  LabeledPoint(parts(0).toDouble, Vectors.dense(parts.tail.map(_.toDouble)))
}

// 划分训练集和测试集
val Array(trainingData, testData) = parsedData.randomSplit(Array(0.7, 0.3))

// 训练 SVM 模型
val numIterations = 100
val model = SVMWithSGD.train(trainingData, numIterations)

// 在测试集上进行预测并计算准确率
val labelsAndPreds = testData.map { point =>
  val prediction = model.predict(point.features)
  (point.label, prediction)
}

// 显示预测结果
labelsAndPreds.foreach { case (actual, predicted) =>
  println(s"Actual label: $actual, Predicted label: $predicted")
}

// 计算准确率
val accuracy = labelsAndPreds.filter(r => r._1 == r._2).count.toDouble / testData.count()
println(s"Accuracy = $accuracy")

在这个示例代码中，我们首先使用 `sc.textFile()` 函数加载数据文件，然后使用 `map()` 函数将每一行数据转换为 `LabeledPoint` 对象，其中第一个值是标签，后面的值是特征向量。接着，我们使用 `randomSplit()` 函数将数据集随机划分为训练集和测试集。然后，我们使用 `SVMWithSGD.train()` 函数训练 SVM 模型，并指定迭代次数。接着，我们使用 `map()` 函数对测试集进行预测，并将结果保存为一个 `(actual, predicted)` 的元组。最后，我们使用 `foreach()` 函数遍历预测结果，显示每个样本的实际标签和预测标签。最后，我们计算准确率并输出结果。

需要注意的是，这只是一个简单的示例代码，实际应用中需要根据具体的数据和问题进行调整。