共计 2305 个字符，预计需要花费 6 分钟才能阅读完成。
丸趣 TV 小编给大家分享一下 spark mllib 分类之如何支持向量机，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！
胃癌转移数据说明
肾细胞癌转移情况 (有转移 y=1, 无转移 y=2)
x1: 确诊时患者年龄 (岁)
x2: 肾细胞癌血管内皮生长因子 (VEGF), 其阳性表述由低到高共3个等级
x3: 肾细胞癌组织内微血管数 (MVC)
x4: 肾癌细胞核组织学分级，由低到高共4级
x5: 肾细胞癌分期，由低到高共4级
y x1 x2 x3 x4 x50 59 2 43.4 2 1运行代码如下
package spark.logisticRegression
import org.apache.spark.mllib.classification.{SVMWithSGD}
import org.apache.spark.mllib.evaluation.MulticlassMetrics
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.util.MLUtils
import org.apache.spark.{SparkConf, SparkContext}
* MLLib 分类，逻辑回归，是分类，不是回归
* 支持向量机分析胃癌转移判断
* Created by eric on 16-7-17.
*/
object SVMTest { val conf = new SparkConf() // 创建环境变量
.setMaster(local) // 设置本地化处理
.setAppName(LogisticRegression4) // 设定名称
val sc = new SparkContext(conf)
def main(args: Array[String]) { val data = MLUtils.loadLibSVMFile(sc, ./src/main/spark/logisticRegression/wa.txt) // 读取数据文件, 一定注意文本格式
val splits = data.randomSplit(Array(0.7, 0.3), seed = 11L) // 对数据集切分
val parsedData = splits(0) // 分割训练数据
val parseTtest = splits(1) // 分割测试数据
val model = SVMWithSGD.train(parsedData,50) // 训练模型
val predictionAndLabels = parseTtest.map { // 计算测试值
case LabeledPoint(label, features) = // 计算测试值
val prediction = model.predict(features) // 计算测试值
(prediction, label) // 存储测试和预测值
}
val metrics = new MulticlassMetrics(predictionAndLabels) // 创建验证类
val precision = metrics.precision // 计算验证值
println(Precision = + precision) // 打印验证值
val patient = Vectors.dense(Array(70,3,180.0,4,3)) // 计算患者可能性
if(patient == 1) println(患者的胃癌有几率转移。) // 做出判断
else println(患者的胃癌没有几率转移。) // 做出判断
//Precision = 0.5555555555555556
// 患者的胃癌没有几率转移。 }
}wa.txt
0 1:59 2:2 3:43.4 4:2 5:1
0 1:36 2:1 3:57.2 4:1 5:1
0 1:61 2:2 3:190 4:2 5:1
1 1:58 2:3 3:128 4:4 5:3
1 1:55 2:3 3:80 4:3 5:4
0 1:61 2:1 3:94 4:4 5:2
0 1:38 2:1 3:76 4:1 5:1
0 1:42 2:1 3:240 4:3 5:2
0 1:50 2:1 3:74 4:1 5:1
0 1:58 2:2 3:68.6 4:2 5:2
0 1:68 2:3 3:132.8 4:4 5:2
1 1:25 2:2 3:94.6 4:4 5:3
0 1:52 2:1 3:56 4:1 5:1
0 1:31 2:1 3:47.8 4:2 5:1
1 1:36 2:3 3:31.6 4:3 5:1
0 1:42 2:1 3:66.2 4:2 5:1
1 1:14 2:3 3:138.6 4:3 5:3
0 1:32 2:1 3:114 4:2 5:3
0 1:35 2:1 3:40.2 4:2 5:1
1 1:70 2:3 3:177.2 4:4 5:3
1 1:65 2:2 3:51.6 4:4 5:4
0 1:45 2:2 3:124 4:2 5:4
1 1:68 2:3 3:127.2 4:3 5:3
0 1:31 2:2 3:124.8 4:2 5:3结果如图
看完了这篇文章，相信你对“spark mllib 分类之如何支持向量机”有了一定的了解，如果想了解更多相关知识，欢迎关注丸趣 TV 行业资讯频道，感谢各位的阅读！
正文完
