Neural network 有没有办法叫'；预测'；Spark ML多层受体分类模型的方法？

对于旧的ML模型，如DecisionTreeModel，可以加载存储的模型并将其直接应用于单个数据点（特征向量），如下所示：

val features: Vector = <some vector of floats representing feature values> 
val modelDT = DecisionTreeModel.load(sparkContext, <"some-path">)
val prediction = modelDT.predict(features)

val特征：向量=
val modelDT=DecisionTreeModel.load（sparkContext，）
val预测=模型预测（特征）

---

对于多层PerceptronClassificationModel，预测方法受保护，无法调用。这些特性需要包装在一个数据集中，结果以一行数据框的形式返回。对于一次只对一个点进行分类的实时系统来说，这很麻烦，并且增加了很多开销

因此，如果您像这样加载模型：

model = MultilayerPerceptronClassificationModel.load("Path.model")

或者是你以前训练过的

然后将没有已知标签的输入数据放入此表单中

test = spark.sparkContext.parallelize([Row(features=Vectors.sparse(4, {1: 1.0, 2: 0.0, 3: -1.0, 4: 1.0}))]).toDF()

result = model.transform(test).head().prediction

print(result)

还可以执行Vectors.dense或其他稀疏声明

您需要导入一些内容，例如：

from pyspark.ml.linalg import Vectors
from pyspark.ml.classification import MultilayerPerceptronClassifier, MultilayerPerceptronClassificationModel
from pyspark.sql import Row

---

同样的问题。而且，我没有得到预测的置信水平。有没有办法获得信心水平？