Apache spark 支持向量机的Spark-MLLib交叉验证

我使用Spark MLLib对标记点的RDD进行SVM分类。 我想交叉验证它。哪种方法最好？ 有人有示例代码吗？不过，我找到了依赖于数据帧的CrossValidator类

---

我的目标是获得F分数

你可以找到一个完整的例子，虽然不是SVM而是逻辑回归

---

最好的方法是使用

RDD.toDF（）

方法将RDD更改为数据帧。

一个多月来，我一直面临着同样的问题，直到我意识到我必须使用ML API而不是MLlib API（更多关于两者之间的差异）。在这种情况下，新API的SVM为：

从pyspark.ml.classification导入RandomForestClassifier，LinearSVC
从pyspark.ml.tuning导入CrossValidator、ParamGridBuilder、CrossValidator模型
从pyspark.ml.evaluation导入MultiClassificationEvaluator
#支持向量机
crossval=CrossValidator（估计器=LinearSVC（），
estimatorParamMaps=ParamGridBuilder（）.build（），
evaluator=MultiClassificationEvaluator（metricName='f1'），
numFolds=5，
平行度=4）
#随机森林
crossval=CrossValidator（估计器=RandomForestClassifier（），
estimatorParamMaps=ParamGridBuilder（）.build（），
evaluator=MultiClassificationEvaluator（metricName='f1'），
numFolds=5，
平行度=4）

在这两种情况下，您都可以调整模型：

cross\u模型：CrossValidatorModel=crossval.fit

非常感谢。在该示例中，LogisticRegression对象被实例化并插入到管道中。但是，它找不到任何支持向量机来实例化适合管道的支持向量机。使用哪个类？