為什么80%的碼農都做不了架構師？>>> ??

數據源說明

第一列每行的標簽，其他列為特征

運行代碼如下

package spark.logisticRegressionimport org.apache.spark.mllib.classification.NaiveBayes import org.apache.spark.mllib.linalg.Vectors import org.apache.spark.mllib.util.MLUtils import org.apache.spark.{SparkConf, SparkContext}/*** 分類 - 樸素貝葉斯簡單示例* 后驗概率　＝　先驗概率 ｘ 調整因子* Created by eric on 16-7-18.*/ object Bayes {val conf = new SparkConf() //創建環境變量.setMaster("local") //設置本地化處理.setAppName("Bayes") //設定名稱val sc = new SparkContext(conf)def main(args: Array[String]) {val data = MLUtils.loadLabeledPoints(sc, "./src/main/spark/logisticRegression/bayes.txt")val model = NaiveBayes.train(data, 1.0)model.labels.foreach(println)//打印　label(labels是標簽類別)model.pi.foreach(println)//打印先驗概率　(pi存儲各個label先驗概率)//0.0//1.0//2.0//-1.0986122886681098//-1.0986122886681098//-1.0986122886681098val test = Vectors.dense(0, 0, 10)//新預測數據val result = model.predict(test)//預測結果println(result)//2.0} }

?

bayes.txt

0,1 0 0 0,2 0 0 1,0 1 0 1,0 2 0 2,0 0 1 2,0 0 2

結果如圖

轉載于:https://my.oschina.net/sunmin/blog/720073

總結

以上是生活随笔為你收集整理的spark mllib 朴素贝叶斯 naive bayes的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。