迁移指南：MLlib（机器学习）

• 从 MLlib 2.4 升级到 3.0
• 从 MLlib 2.2 升级到 2.3
• 从 MLlib 2.1 升级到 2.2
• 从 MLlib 2.0 升级到 2.1
• 从 MLlib 1.6 升级到 2.0
• 从 MLlib 1.5 升级到 1.6
• 从 MLlib 1.4 升级到 1.5
• 从 MLlib 1.3 升级到 1.4
• 从 MLlib 1.2 升级到 1.3
• 从 MLlib 1.1 升级到 1.2
• 从 MLlib 1.0 升级到 1.1
• 从 MLlib 0.9 升级到 1.0

请注意，本迁移指南介绍了 MLlib 特有的项目。将 MLlib 迁移到更高版本以使用基于 DataFrame 的 API 时，可以应用 SQL 迁移的许多项目。请参阅迁移指南：SQL、数据集和数据帧。

从 MLlib 2.4 升级到 3.0

重大更改

• 在 2.3 中已弃用的 OneHotEncoder 在 3.0 中已移除，OneHotEncoderEstimator 现在已重命名为 OneHotEncoder。
• 在 2.3 中已弃用的 org.apache.spark.ml.image.ImageSchema.readImages 在 3.0 中已移除，请改用 spark.read.format('image')。
• 在 2.1 中已弃用的带参数 Int runs 的 org.apache.spark.mllib.clustering.KMeans.train 在 3.0 中已移除。请改用不带 runs 的 train 方法。
• 在 2.0 中已弃用的 org.apache.spark.mllib.classification.LogisticRegressionWithSGD 在 3.0 中已移除，请改用 org.apache.spark.ml.classification.LogisticRegression 或 spark.mllib.classification.LogisticRegressionWithLBFGS。
• 在 2.1 中已弃用的 org.apache.spark.mllib.feature.ChiSqSelectorModel.isSorted 在 3.0 中已移除，不适用于子类使用。
• 在 2.0 中已弃用的 org.apache.spark.mllib.regression.RidgeRegressionWithSGD 在 3.0 中已移除，请将 org.apache.spark.ml.regression.LinearRegression 与 elasticNetParam = 0.0 一起使用。请注意，RidgeRegressionWithSGD 的默认 regParam 为 0.01，而 LinearRegression 的默认 regParam 为 0.0。
• 在 2.0 中已弃用的 org.apache.spark.mllib.regression.LassoWithSGD 在 3.0 中已移除，请将 org.apache.spark.ml.regression.LinearRegression 与 elasticNetParam = 1.0 一起使用。请注意，LassoWithSGD 的默认 regParam 为 0.01，而 LinearRegression 的默认 regParam 为 0.0。
• 在 2.0 中已弃用的 org.apache.spark.mllib.regression.LinearRegressionWithSGD 在 3.0 中已移除，请改用 org.apache.spark.ml.regression.LinearRegression 或 LBFGS。
• 在 2.1 中已弃用的 org.apache.spark.mllib.clustering.KMeans.getRuns 和 setRuns 在 3.0 中已移除，自 Spark 2.0.0 起无效。
• 在 2.4 中已弃用的 org.apache.spark.ml.LinearSVCModel.setWeightCol 在 3.0 中已移除，不适用于用户使用。
• 从 3.0 开始，org.apache.spark.ml.classification.MultilayerPerceptronClassificationModel 扩展了 MultilayerPerceptronParams 以公开训练参数。因此，MultilayerPerceptronClassificationModel 中的 layers 已从 Array[Int] 更改为 IntArrayParam。用户应使用 MultilayerPerceptronClassificationModel.getLayers 而不是 MultilayerPerceptronClassificationModel.layers 来检索层的数量。
• 在 2.4.5 中已弃用的 org.apache.spark.ml.classification.GBTClassifier.numTrees 在 3.0 中已移除，请改用 getNumTrees。
• 在 2.4 中已弃用的 org.apache.spark.ml.clustering.KMeansModel.computeCost 在 3.0 中已移除，请改用 ClusteringEvaluator。
• 在 2.0 中已弃用的 org.apache.spark.mllib.evaluation.MulticlassMetrics 中的成员变量 precision 在 3.0 中已移除。请改用 accuracy。
• 在 2.0 中已弃用的 org.apache.spark.mllib.evaluation.MulticlassMetrics 中的成员变量 recall 在 3.0 中已移除。请改用 accuracy。
• 在 2.0 中已弃用的 org.apache.spark.mllib.evaluation.MulticlassMetrics 中的成员变量 fMeasure 在 3.0 中已移除。请改用 accuracy。
• 在 2.0 中已弃用的 org.apache.spark.ml.util.GeneralMLWriter.context 在 3.0 中已移除，请改用 session。
• 在 2.0 中已弃用的 org.apache.spark.ml.util.MLWriter.context 在 3.0 中已移除，请改用 session。
• 在 2.0 中已弃用的 org.apache.spark.ml.util.MLReader.context 在 3.0 中已移除，请改用 session。
• abstract class UnaryTransformer[IN, OUT, T <: UnaryTransformer[IN, OUT, T]] 在 3.0 中已更改为 abstract class UnaryTransformer[IN: TypeTag, OUT: TypeTag, T <: UnaryTransformer[IN, OUT, T]]。

弃用和行为更改

弃用

• SPARK-11215：StringIndexerModel 中的 labels 已弃用，并将在 3.1.0 中移除。请改用 labelsArray。
• SPARK-25758：BisectingKMeansModel 中的 computeCost 已弃用，并将在未来版本中移除。请改用 ClusteringEvaluator。

行为更改

• SPARK-11215：在 Spark 2.4 及更早版本中，当在 StringIndexer 中将 frequencyDesc 或 frequencyAsc 指定为 stringOrderType 参数时，如果频率相同，则字符串的顺序未定义。从 Spark 3.0 开始，频率相同的字符串将按字母顺序进一步排序。并且从 Spark 3.0 开始，StringIndexer 支持对多列进行编码。
• SPARK-20604：在 3.0 之前的版本中，Imputer 要求输入列为 Double 或 Float。在 3.0 中，此限制已解除，因此 Imputer 可以处理所有数字类型。
• SPARK-23469：在 Spark 3.0 中，HashingTF 转换器使用 murmur3 哈希函数的修正实现将元素哈希到向量中。Spark 3.0 中的 HashingTF 会将元素映射到与 Spark 2 中不同的向量位置。但是，使用 Spark 2.x 创建并使用 Spark 3.0 加载的 HashingTF 仍将使用以前的哈希函数，并且不会更改行为。
• SPARK-28969：为了与 Scala 实现保持一致，PySpark 的 OneVsRestModel 中的 setClassifier 方法已在 3.0 中移除。调用方在创建模型后不需要在模型中设置分类器。
• SPARK-25790：PCA 在 Spark 3.0 中添加了对超过 65535 列矩阵的支持。
• SPARK-28927：在非确定性输入数据上拟合 ALS 模型时，以前如果发生重新运行，用户会看到由输入/输出用户/项目块不匹配导致的 ArrayIndexOutOfBoundsException。从 3.0 开始，将抛出带有更清晰消息的 SparkException，并包装原始的 ArrayIndexOutOfBoundsException。
• SPARK-29232：在 3.0 之前的版本中，RandomForestRegressionModel 不会更新其下的 DecisionTreeRegressionModels 的参数映射。这在 3.0 中已修复。

从 MLlib 2.2 升级到 2.3

重大更改

• 逻辑回归模型摘要的类和特征层次结构已更改为更清晰，并更好地适应多类摘要的添加。对于将 LogisticRegressionTrainingSummary 强制转换为 BinaryLogisticRegressionTrainingSummary 的用户代码来说，这是一个重大更改。用户应改用 model.binarySummary 方法。有关更多详细信息，请参阅 SPARK-17139（*注意* 这是一个 实验性 API）。这*不会*影响 Python summary 方法，该方法在多项式和二项式情况下仍能正常工作。

弃用和行为更改

弃用

• OneHotEncoder 已弃用，并将在 3.0 中移除。它已被新的 OneHotEncoderEstimator 替代（参见 SPARK-13030）。注意，OneHotEncoderEstimator 将在 3.0 中重命名为 OneHotEncoder（但 OneHotEncoderEstimator 将保留为别名）。

行为更改

• SPARK-21027：OneVsRest 中使用的默认并行度现在设置为 1（即串行）。在 2.2 及更早版本中，并行度级别设置为 Scala 中的默认线程池大小。
• SPARK-22156：当 numIterations 设置大于 1 时，Word2Vec 的学习率更新不正确。这将导致 2.3 及更早版本之间的训练结果不同。
• SPARK-21681：修复了多项逻辑回归中的一个边缘情况错误，该错误导致在某些特征方差为零时系数不正确。
• SPARK-16957：树算法现在使用中间点作为分割值。这可能会改变模型训练的结果。
• SPARK-14657：修复了 RFormula 生成的没有截距的特征与 R 中的输出不一致的问题。这可能会改变在这种情况下模型训练的结果。

从 MLlib 2.1 升级到 2.2

重大更改

没有重大更改。

弃用和行为更改

弃用

没有弃用。

行为更改

• SPARK-19787：ALS.train 方法的 regParam 默认值从 1.0 更改为 0.1（标记为 DeveloperApi）。注意，这*不会影响* ALS Estimator 或 Model，也不会影响 MLlib 的 ALS 类。
• SPARK-14772：修复了 Param.copy 方法的 Python 和 Scala API 之间的不一致。
• SPARK-11569：StringIndexer 现在以与处理未见值相同的方式处理 NULL 值。以前，无论 handleInvalid 参数的设置如何，总是会抛出异常。

从 MLlib 2.0 升级到 2.1

重大更改

已移除弃用的方法

• feature.ChiSqSelectorModel 中的 setLabelCol
• classification.RandomForestClassificationModel 中的 numTrees（现在指的是名为 numTrees 的 Param）
• regression.RandomForestRegressionModel 中的 numTrees（现在指的是名为 numTrees 的 Param）
• regression.LinearRegressionSummary 中的 model
• PipelineStage 中的 validateParams
• Evaluator 中的 validateParams

弃用和行为更改

弃用

• SPARK-18592：弃用 DecisionTreeClassificationModel、GBTClassificationModel、RandomForestClassificationModel、DecisionTreeRegressionModel、GBTRegressionModel 和 RandomForestRegressionModel 的所有 Param setter 方法，但输入/输出列 Param 除外。

行为更改

• SPARK-17870：修复了 ChiSqSelector 的一个错误，该错误可能会改变其结果。现在，ChiSquareSelector 使用 pValue 而不是原始统计量来选择固定数量的顶部特征。
• SPARK-3261：在无法获得或未选择 k 个不同的质心的情况下，KMeans 返回的聚类中心可能少于 k 个。
• SPARK-17389：对于 k-means|| 初始化模式，KMeans 将默认步数从 5 步减少到 2 步。

从 MLlib 1.6 升级到 2.0

重大更改

Spark 2.0 中有一些重大更改，概述如下。

基于 DataFrame 的 API 的线性代数类

Spark 的线性代数依赖项已移至新项目 mllib-local（参见 SPARK-13944）。作为此更改的一部分，线性代数类已复制到新包 spark.ml.linalg 中。spark.ml 中基于 DataFrame 的 API 现在依赖于 spark.ml.linalg 类，这导致了一些重大更改，主要是在各种模型类中（有关完整列表，请参见 SPARK-14810）。

**注意**：spark.mllib 中基于 RDD 的 API 继续依赖于以前的包 spark.mllib.linalg。

转换向量和矩阵

虽然大多数管道组件都支持向后兼容以加载 Spark 2.0 之前版本中包含向量或矩阵列的某些现有 DataFrames 和管道，但可能需要将它们迁移到新的 spark.ml 向量和矩阵类型。用于将 DataFrame 列从 spark.mllib.linalg 类型转换为 spark.ml.linalg 类型（反之亦然）的实用程序可以在 spark.mllib.util.MLUtils 中找到。

还有一些实用程序方法可用于转换向量和矩阵的单个实例。对 mllib.linalg.Vector / mllib.linalg.Matrix 使用 asML 方法可转换为 ml.linalg 类型，使用 mllib.linalg.Vectors.fromML / mllib.linalg.Matrices.fromML 可转换为 mllib.linalg 类型。

from pyspark.mllib.util import MLUtils

# convert DataFrame columns
convertedVecDF = MLUtils.convertVectorColumnsToML(vecDF)
convertedMatrixDF = MLUtils.convertMatrixColumnsToML(matrixDF)
# convert a single vector or matrix
mlVec = mllibVec.asML()
mlMat = mllibMat.asML()

import org.apache.spark.mllib.util.MLUtils

// convert DataFrame columns
val convertedVecDF = MLUtils.convertVectorColumnsToML(vecDF)
val convertedMatrixDF = MLUtils.convertMatrixColumnsToML(matrixDF)
// convert a single vector or matrix
val mlVec: org.apache.spark.ml.linalg.Vector = mllibVec.asML
val mlMat: org.apache.spark.ml.linalg.Matrix = mllibMat.asML

import org.apache.spark.mllib.util.MLUtils;
import org.apache.spark.sql.Dataset;

// convert DataFrame columns
Dataset<Row> convertedVecDF = MLUtils.convertVectorColumnsToML(vecDF);
Dataset<Row> convertedMatrixDF = MLUtils.convertMatrixColumnsToML(matrixDF);
// convert a single vector or matrix
org.apache.spark.ml.linalg.Vector mlVec = mllibVec.asML();
org.apache.spark.ml.linalg.Matrix mlMat = mllibMat.asML();

已移除弃用的方法

spark.mllib 和 spark.ml 包中删除了一些已弃用的方法

• ml.evaluation.BinaryClassificationEvaluator 中的 setScoreCol
• spark.ml 的 LinearRegression 和 LogisticRegression 中的 weights
• mllib.optimization.LBFGS 中的 setMaxNumIterations（标记为 DeveloperApi）
• mllib.rdd.RDDFunctions 中的 treeReduce 和 treeAggregate（这些函数直接在 RDD 上可用，并标记为 DeveloperApi）
• mllib.tree.configuration.Strategy 中的 defaultStrategy
• mllib.tree.Node 中的 build
• mllib.util.MLUtils 中用于多类的 libsvm 加载程序以及用于加载/保存 labeledData 的方法

有关重大更改的完整列表，请参见 SPARK-14810。

弃用和行为更改

弃用

spark.mllib 和 spark.ml 包中的弃用包括

• SPARK-14984：在 spark.ml.regression.LinearRegressionSummary 中，model 字段已弃用。
• SPARK-13784：在 spark.ml.regression.RandomForestRegressionModel 和 spark.ml.classification.RandomForestClassificationModel 中，numTrees 参数已弃用，取而代之的是 getNumTrees 方法。
• SPARK-13761：在 spark.ml.param.Params 中，validateParams 方法已弃用。我们将重写方法中的所有功能都移至相应的 transformSchema。
• SPARK-14829：在 spark.mllib 包中，LinearRegressionWithSGD、LassoWithSGD、RidgeRegressionWithSGD 和 LogisticRegressionWithSGD 已弃用。我们鼓励用户使用 spark.ml.regression.LinearRegression 和 spark.ml.classification.LogisticRegression。
• SPARK-14900：在 spark.mllib.evaluation.MulticlassMetrics 中，参数 precision、recall 和 fMeasure 已弃用，取而代之的是 accuracy。
• SPARK-15644：在 spark.ml.util.MLReader 和 spark.ml.util.MLWriter 中，context 方法已弃用，取而代之的是 session。
• 在 spark.ml.feature.ChiSqSelectorModel 中，setLabelCol 方法已弃用，因为它未被 ChiSqSelectorModel 使用。

行为更改

spark.mllib 和 spark.ml 包中的行为更改包括

• SPARK-7780：spark.mllib.classification.LogisticRegressionWithLBFGS 现在直接调用 spark.ml.classification.LogisticRegression 进行二元分类。这将为 spark.mllib.classification.LogisticRegressionWithLBFGS 引入以下行为更改
  • 使用 L1/L2 更新器训练二元分类模型时，不会对截距进行正则化。
  • 如果用户设置为不进行正则化，则无论是否进行特征缩放，训练都将以相同的收敛速度返回相同的解。
• SPARK-13429：为了提供与 spark.ml.classification.LogisticRegression 更好且一致的结果，spark.mllib.classification.LogisticRegressionWithLBFGS 的默认值 convergenceTol 已从 1E-4 更改为 1E-6。
• SPARK-12363：修复了 PowerIterationClustering 的一个错误，该错误可能会改变其结果。
• SPARK-13048：如果正在使用检查点，则使用 EM 优化器的 LDA 默认情况下将保留最后一个检查点。
• SPARK-12153：Word2Vec 现在会考虑句子边界。之前没有正确处理句子边界。
• SPARK-10574：HashingTF 在 spark.ml 和 spark.mllib 中都使用 MurmurHash3 作为默认哈希算法。
• SPARK-14768：移除了 PySpark Param 的 expectedType 参数。
• SPARK-14931：更改了一些默认的 Param 值，这些值在 Scala 和 Python 的管道中不匹配。
• SPARK-13600：QuantileDiscretizer 现在使用 spark.sql.DataFrameStatFunctions.approxQuantile 来查找分割点（之前使用自定义采样逻辑）。对于相同的输入数据和参数，输出桶会有所不同。

从 MLlib 1.5 升级到 1.6

spark.mllib 或 spark.ml 包中没有 API 方面的重大更改，但有一些弃用和行为更改。

弃用

• SPARK-11358：在 spark.mllib.clustering.KMeans 中，runs 参数已被弃用。
• SPARK-10592：在 spark.ml.classification.LogisticRegressionModel 和 spark.ml.regression.LinearRegressionModel 中，weights 字段已被弃用，取而代之的是新名称 coefficients。这有助于消除与算法赋予实例（行）的“权重”的歧义。

行为更改

• SPARK-7770：spark.mllib.tree.GradientBoostedTrees：validationTol 在 1.6 中的语义已更改。以前，它是误差绝对变化的阈值。现在，它类似于 GradientDescent 的 convergenceTol 的行为：对于大误差，它使用相对误差（相对于之前的误差）；对于小误差 (< 0.01)，它使用绝对误差。
• SPARK-11069：spark.ml.feature.RegexTokenizer：以前，它在分词之前不会将字符串转换为小写。现在，默认情况下它会转换为小写，并提供了一个不转换的选项。这与更简单的 Tokenizer 转换器的行为相匹配。

从 MLlib 1.4 升级到 1.5

在 spark.mllib 包中，没有 API 方面的重大更改，但有一些行为更改

• SPARK-9005：RegressionMetrics.explainedVariance 返回平均回归平方和。
• SPARK-8600：NaiveBayesModel.labels 变为排序后的。
• SPARK-3382：GradientDescent 的默认收敛容差为 1e-3，因此迭代次数可能比 1.4 中更早结束。

在 spark.ml 包中，有一个 API 方面的重大更改和一个行为更改

• SPARK-9268：由于 Scala 编译器错误，Java 的可变参数支持已从 Params.setDefault 中移除。
• SPARK-10097：添加了 Evaluator.isLargerBetter 来指示指标排序。像 RMSE 这样的指标不再像 1.4 中那样翻转符号。

从 MLlib 1.3 升级到 1.4

在 spark.mllib 包中，有一些重大更改，但都在 DeveloperApi 或 Experimental API 中

• 梯度提升树
  • *(重大更改)* Loss.gradient 方法的签名已更改。这仅对为 GBT 编写了自己的损失函数的用户来说是一个问题。
  • *(重大更改)* 由于对案例类字段的修改，案例类 BoostingStrategy 的 apply 和 copy 方法已更改。对于使用 BoostingStrategy 设置 GBT 参数的用户来说，这可能是一个问题。
• *(重大更改)* LDA.run 的返回值已更改。它现在返回一个抽象类 LDAModel，而不是具体的类 DistributedLDAModel。LDAModel 类型的对象仍然可以转换为适当的具体类型，具体类型取决于优化算法。

在 spark.ml 包中，发生了一些主要的 API 更改，包括

• Param 和其他用于指定参数的 API
• 管道组件的 uid 唯一 ID
• 某些类的重组

由于 spark.ml API 在 Spark 1.3 中是一个 alpha 组件，因此我们不会在此列出所有更改。但是，由于 1.4 spark.ml 不再是一个 alpha 组件，因此我们将提供有关未来版本中任何 API 更改的详细信息。

从 MLlib 1.2 升级到 1.3

在 spark.mllib 包中，有一些重大更改。第一个更改（在 ALS 中）是唯一一个不在标记为 Alpha 或 Experimental 的组件中的更改。

• *(重大更改)* 在 ALS 中，多余的方法 solveLeastSquares 已被移除。DeveloperApi 方法 analyzeBlocks 也被移除。
• *(重大更改)* StandardScalerModel 仍然是一个 Alpha 组件。在其中，variance 方法已被 std 方法取代。要计算原始 variance 方法返回的列方差值，只需将 std 返回的标准差值平方即可。
• *(重大更改)* StreamingLinearRegressionWithSGD 仍然是一个 Experimental 组件。在其中，有两个变化
  • 删除了采用参数的构造函数，取而代之的是使用默认构造函数加上参数设置器方法的构建器模式。
  • 变量 model 不再是公共的。
• *(重大更改)* DecisionTree 仍然是一个 Experimental 组件。在它及其关联的类中，有一些变化
  • 在 DecisionTree 中，已弃用的类方法 train 已被移除。（对象/静态 train 方法仍然保留。）
  • 在 Strategy 中，checkpointDir 参数已被移除。仍然支持检查点，但必须在调用树和树集成训练之前设置检查点目录。
• PythonMLlibAPI（Scala/Java 和 Python 之间用于 MLlib 的接口）是一个公共 API，但现在是私有的，声明为 private[python]。这从来就不是为了外部使用而设计的。
• 在线性回归（包括 Lasso 和岭回归）中，平方损失现在除以 2。因此，为了产生与 1.2 中相同的结果，正则化参数需要除以 2，步长需要乘以 2。

在 spark.ml 包中，主要的 API 更改来自 Spark SQL。我们在此列出最重要的更改

• 旧的 SchemaRDD 已被 DataFrame 取代，API 有所修改。 spark.ml 中所有曾经使用 SchemaRDD 的算法现在都使用 DataFrame。
• 在 Spark 1.2 中，我们通过调用 import sqlContext._ 将 LabeledPoint 的 RDD 隐式转换为 SchemaRDD，其中 sqlContext 是 SQLContext 的一个实例。这些隐式转换已被移动，因此我们现在调用 import sqlContext.implicits._。
• SQL 的 Java API 也进行了相应的更改。有关详细信息，请参阅上面的示例和《Spark SQL 编程指南》。

其他更改在 LogisticRegression 中

• scoreCol 输出列（默认值为“score”）已重命名为 probabilityCol（默认值为“probability”）。类型最初是 Double（表示类别 1.0 的概率），但现在是 Vector（表示每个类别的概率，以便将来支持多类别分类）。
• 在 Spark 1.2 中，LogisticRegressionModel 不包含截距。在 Spark 1.3 中，它包含一个截距；但是，它始终为 0.0，因为它使用 spark.mllib.LogisticRegressionWithLBFGS 的默认设置。将来会添加使用截距的选项。

从 MLlib 1.1 升级到 1.2

MLlib v1.2 中唯一的 API 更改是在 DecisionTree 中，它在 MLlib 1.2 中仍然是一个实验性 API

1. *(重大更改)* 用于分类的 Scala API 采用了一个指定类别数量的命名参数。在 MLlib v1.1 中，此参数在 Python 中称为 numClasses，在 Scala 中称为 numClassesForClassification。在 MLlib v1.2 中，名称都设置为 numClasses。此 numClasses 参数通过 Strategy 或 DecisionTree 静态 trainClassifier 和 trainRegressor 方法指定。

2. （重大变更） Node 的 API 已更改。这通常不会影响用户代码，除非用户手动构建决策树（而不是使用 trainClassifier 或 trainRegressor 方法）。树 Node 现在包含更多信息，包括预测标签的概率（用于分类）。

3. 打印方法的输出已更改。toString（Scala/Java）和 __repr__（Python）方法过去用于打印完整模型；它们现在打印摘要。对于完整模型，请使用 toDebugString。

Spark 发行版中的示例和决策树指南中的示例已相应更新。

从 MLlib 1.0 升级到 1.1

MLlib v1.1 中唯一的 API 更改是在 DecisionTree 中，它在 MLlib 1.1 中仍然是一个实验性 API。

1. （重大变更） 为了匹配 scikit-learn 和 rpart 中树的实现，树深度的含义已更改 1。在 MLlib v1.0 中，深度为 1 的树有 1 个叶节点，深度为 2 的树有 1 个根节点和 2 个叶节点。在 MLlib v1.1 中，深度为 0 的树有 1 个叶节点，深度为 1 的树有 1 个根节点和 2 个叶节点。此深度由 Strategy 中的 maxDepth 参数指定，或通过 DecisionTree 静态 trainClassifier 和 trainRegressor 方法指定。

2. （非重大变更） 我们建议使用新添加的 trainClassifier 和 trainRegressor 方法来构建 DecisionTree，而不是使用旧的参数类 Strategy。这些新的训练方法明确区分了分类和回归，并且它们用简单的 String 类型替换了专门的参数类型。

新的推荐 trainClassifier 和 trainRegressor 的示例在决策树指南中给出。

从 MLlib 0.9 升级到 1.0

在 MLlib v1.0 中，我们以统一的方式支持密集和稀疏输入，这引入了一些重大更改。如果您的数据是稀疏的，请将其存储为稀疏格式而不是密集格式，以便在存储和计算中利用稀疏性。详细信息如下所述。