spark mllib分類之如何支持向量機

小編給大家分享一下 spark mllib分類之如何支持向量機，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

胃癌轉移數據說明

腎細胞癌轉移情況(有轉移 y=1,無轉移 y=2)
x1:確診時患者年齡(歲)
x2:腎細胞癌血管內皮生長因子(VEGF),其陽性表述由低到高共３個等級
x3:腎細胞癌組織內微血管數(MVC)
x4:腎癌細胞核組織學分級，由低到高共４級
x5:腎細胞癌分期，由低到高共４級

y x1 x2 x3 x4 x50 59 2 43.4 2 1

運行代碼如下

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分類，邏輯回歸，是分類，不是回歸
  *  支持向量機分析胃癌轉移判斷
  * Created by eric on 16-7-17.
  */
object SVMTest {
  val conf = new SparkConf()                                     //創建環境變量
    .setMaster("local")                                             //設置本地化處理
    .setAppName("LogisticRegression4")                              //設定名稱
  val sc = new SparkContext(conf)

  def main(args: Array[String]) {
    val data = MLUtils.loadLibSVMFile(sc, "./src/main/spark/logisticRegression/wa.txt")	//讀取數據文件,一定注意文本格式
    val splits = data.randomSplit(Array(0.7, 0.3), seed = 11L)			//對數據集切分
    val parsedData = splits(0)									//分割訓練數據
    val parseTtest = splits(1)									//分割測試數據
    val model = SVMWithSGD.train(parsedData,50)		//訓練模型

    val predictionAndLabels = parseTtest.map { 					//計算測試值
      case LabeledPoint(label, features) =>						//計算測試值
        val prediction = model.predict(features)						//計算測試值
        (prediction, label)										//存儲測試和預測值
    }

    val metrics = new MulticlassMetrics(predictionAndLabels)	//創建驗證類
    val precision = metrics.precision								//計算驗證值
    println("Precision = " + precision)							//打印驗證值

    val patient = Vectors.dense(Array(70,3,180.0,4,3))	//計算患者可能性
    if(patient == 1) println("患者的胃癌有幾率轉移。")	//做出判斷
    else println("患者的胃癌沒有幾率轉移。")		//做出判斷
    //Precision = 0.5555555555555556
    //患者的胃癌沒有幾率轉移。

  }
}

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

結果如圖

看完了這篇文章，相信你對“ spark mllib分類之如何支持向量機”有了一定的了解，如果想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！