MLlib中的分类算法包括逻辑回归、支持向量机(SVM )、贝叶斯分类器等1.逻辑回归
逻辑回归和线性回归相似，但不是回归分析的家族。 区别主要是变量不同，所以解法和生成曲线也不同。 逻辑回归也是无监督学习的重要算法，尤其用于二分分类。
逻辑回归实际上是指分析现有的数据以判断其结果有多可能，可以用数学公式来表现。
MLlib中的MulticlassMetrics类是对包含各种方法的数据进行分类的类。2.支持向量机
找到支持向量并得到分类平面的方法称为支持向量机。 能够很好地处理回归(时间序列分析)和模式识别(分类问题、判别分析)等多个问题，也能够推广到预测和综合评价等领域，因此可以应用于理科、工程、管理等多个领域。
MLlib中支持向量机算法得到很好的支持，解决了一般线性回归和逻辑回归难以处理的数据分类内容，验证了其正确性很高。
培训型号代码为def train (input:rdd [标签点]，numIterations:Int ) SVMModel 3.贝叶斯方法
贝叶斯方法是统计分析中最基本的数据分析方法之一，该方法基于假设的先验概率、在给定假设下观察到不同数据的概率以及观察到的数据本身。 该方法是将有关未知参数的先验信息和样本信息综合起来，由贝叶斯公式得到后验信息，由后验信息估计未知参数的方法。
MLlib中的贝叶斯方法主要用作分类器，其目的取决于方向
量的差异对其进行分类处理。
逻辑回归和支持向量机是常用的分类方法，但在多元线性回归分类中逻辑回归在算法上稍有欠缺，利用支持向量机对多元数据进行分类，可以很好地完成所做的分类任务这个请读者在后续的实验中自己测试。 贝叶斯目前常用于文本分类工作，具有模型简单、程序编制方便、执行速度快等诸多优点，因此在现实中应用广泛，分类结果也很理想。