Konwersja RDD wektora w LabeledPoint za pomocą Scala - MLLib w Apache Spark

Question

Używam MLlib Apache-Spark i Scala. Trzeba przekonwertować grupę wektora

import org.apache.spark.mllib.linalg.{Vector, Vectors}  
import org.apache.spark.mllib.regression.LabeledPoint  

w LabeledPoint w celu zastosowania algorytmów MLLib
Każdy wektor składa się z podwójnego wartości 0,0 (fałsz) lub 1.0 (true). Wszystkie wektory są zapisywane w RDD, więc ostateczna RDD jest typu

val data_tmp: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector]  

Więc w RDD są wektory tworzyć z

def createArray(values: List[String]) : Vector = 
    {     
     var arr : Array[Double] = new Array[Double](tags_table.size) 
     tags_table.foreach(x => arr(x._2) = if (values.contains(x._1)) 1.0 else 0.0) 
     val dv: Vector = Vectors.dense(arr) 
     return dv 

     } 
    /*each element of result is a List[String]*/ 
    val data_tmp=result.map(x=> createArray(x._2)) 
    val data: RowMatrix = new RowMatrix(data_tmp)   

Jak mogę stworzyć z tego RDD (data_tmp) lub z zestawu RowMatrix (data) a LabeledPoint zestaw do korzystania z algorytmów MLLib? Na przykład muszę zastosować SVMs alghoritms liniowe pokazują here

Answer 1

znalazłem rozwiązanie:

def createArray(values: List[String]) : Vector = 
    {     
      var arr : Array[Double] = new Array[Double](tags_table.size) 
      tags_table.foreach(x => arr(x._2) = if (values.contains(x._1)) 1.0 else 0.0) 
      val dv: Vector = Vectors.dense(arr) 
      return dv 

    } 
    val data_tmp=result.map(x=> createArray(x._2))  
    val parsedData = data_tmp.map { line => LabeledPoint(1.0,line) }