Apache spark Spark：如何使用经过训练的数据集进行预测（MLLIB:SVMWithSGD）

我是新手。我能够训练数据集。但无法使用经过训练的数据集进行预测

以下是训练1800x4000矩阵数据的代码

import org.apache.spark.mllib.classification.SVMWithSGD
import org.apache.spark.mllib.regression.LinearRegressionWithSGD
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.linalg.Vectors

// Load and parse the data
val data = sc.textFile("data/mllib/ridge-data/myfile.txt")
val parsedData = data.map { line =>
  val parts = line.split(' ')
  LabeledPoint(parts(0).toDouble, Vectors.dense(parts(1).split(' ').map(_.toDouble)))
}

val firstDataPoint = parsedData.take(1)(0)

// Building the model
val numIterations = 100
val model = SVMWithSGD.train(parsedData, numIterations)
//val model = LinearRegressionWithSGD.train(parsedData,numIterations)


val labelAndPreds = parsedData.map { point =>
  val prediction = model.predict(point.features)
  (point.label, prediction)
}
val trainErr = labelAndPreds.filter(r => r._1 != r._2).count.toDouble / parsedData.count
println("Training Error = " + trainErr)

现在我加载用于执行预测的数据：数据是1800个值的向量

val test = sc.textFile("data/mllib/ridge-data/data.txt")

---

但不确定如何使用这些数据进行预测。请提供帮助。

首先从文本文件加载标签点（请记住，您必须使用saveAsTextFile保存RDD）：

javarddtest=MLUtils.loadLabeledPoints（init.context，”hdfs://../test/toJavaRDD（）；
JavaRDD scoreAndLabels=test.map(
新函数（）{
公共元组2调用（标签点p）{
双倍分数=模型预测（p.特征（））；
返回新的Tuple2（score，p.label（））；
}
}
);

现在收集分数并对其进行迭代：

List<Tuple2<Object, Object>> scores = scoreAndLabels.collect();
    for(Tuple2<Object, Object> score : scores){
    System.out.println(score._1 + " \t" + score._2);
}

List scores=scoreAndLabels.collect（）；
对于（Tuple2分数：分数）{
System.out.println（分数1+“\t”+分数2）；
}

它是用Java编写的，但也许您可以将其转换为：）

但预测值没有意义： -18.841544889249917 0.0 168.32916035523283 1.0 420.67763915879794 1.0 -974.1942589201286 0.0 71.73602841256813 1.0 233.13636224524993 1.0 -1000.5902168199027 0.0 有人知道他们的意思吗

List<Tuple2<Object, Object>> scores = scoreAndLabels.collect();
    for(Tuple2<Object, Object> score : scores){
    System.out.println(score._1 + " \t" + score._2);
}