spark mllib分类之如何支持向量机

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.logisticRegressionimport org.apache.spark.mllib.classification.{SVMWithSGD}import org.apache.spark.mllib.evaluation.MulticlassMetricsimport org.apache.spark.mllib.linalg.Vectorsimport org.apache.spark.mllib.regression.LabeledPointimport org.apache.spark.mllib.util.MLUtilsimport 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 5:10 1:36 2:1 3:57.2 4:1 5:10 1:61 2:2 3:190 4:2 5:11 1:58 2:3 3:128 4:4 5:31 1:55 2:3 3:80 4:3 5:40 1:61 2:1 3:94 4:4 5:20 1:38 2:1 3:76 4:1 5:10 1:42 2:1 3:240 4:3 5:20 1:50 2:1 3:74 4:1 5:10 1:58 2:2 3:68.6 4:2 5:20 1:68 2:3 3:132.8 4:4 5:21 1:25 2:2 3:94.6 4:4 5:30 1:52 2:1 3:56 4:1 5:10 1:31 2:1 3:47.8 4:2 5:11 1:36 2:3 3:31.6 4:3 5:10 1:42 2:1 3:66.2 4:2 5:11 1:14 2:3 3:138.6 4:3 5:30 1:32 2:1 3:114 4:2 5:30 1:35 2:1 3:40.2 4:2 5:11 1:70 2:3 3:177.2 4:4 5:31 1:65 2:2 3:51.6 4:4 5:40 1:45 2:2 3:124 4:2 5:41 1:68 2:3 3:127.2 4:3 5:30 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，欢迎关注行业资讯频道，感谢各位的阅读！