spark7

一、实验目的

（1）通过实验掌握基本的 MLLib 编程方法；

（2）掌握用 MLLib 解决一些常见的数据分析问题，包括数据导入、成分分析和分类和

预测等。

二、实验平台

操作系统：Ubuntu16.04

JDK 版本：1.7 或以上版本

Spark 版本：2.1.0

数据集：下载 Adult 数据集(http://archive.ics.uci.edu/ml/datasets/Adult)，该数据集也可以

直接到本教程官网的“下载专区”的“数据集”中下载。数据从美国 1994 年人口普查数据

库抽取而来，可用来预测居民收入是否超过 50K$/year。该数据集类变量为年收入是否超过

50k$，属性变量包含年龄、工种、学历、职业、人种等重要信息，值得一提的是，14 个属

性变量中有 7 个类别型变量。

三、实验内容和要求

1.数据导入

从文件中导入数据，并转化为 DataFrame。

主讲教师：林子雨 http://www.cs.xmu.edu.cn/linziyu 第 1 页厦门大学林子雨,赖永炫,陶继平 编著《Spark 编程基础（Scala 版）》 教材配套机房上机实验指南

实验 7 Spark 机器学习库 MLlib 编程实践

主讲教师：林子雨 http://www.cs.xmu.edu.cn/linziyu 第 2 页

2.进行主成分分析（PCA）

对 6 个连续型的数值型变量进行主成分分析。PCA（主成分分析）是通过正交变换把一

组相关变量的观测值转化成一组线性无关的变量值，即主成分的一种方法。PCA 通过使用

主成分把特征向量投影到低维空间，实现对特征向量的降维。请通过 setK()方法将主成分数

量设置为 3，把连续型的特征向量转化成一个 3 维的主成分。

3.训练分类模型并预测居民收入

在主成分分析的基础上，采用逻辑斯蒂回归，或者决策树模型预测居民收入是否超过

50K；对 Test 数据集进行验证。

4.超参数调优

利用 CrossValidator 确定最优的参数，包括最优主成分 PCA 的维数、分类器自身的参数

等。