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，本迁移指南描述了 MLlib 特有的项目。在将 MLlib 迁移到更高版本的基于 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 DataFrame。

从 MLlib 2.4 升级到 3.0

重大变更

• 在 2.3 中已弃用的 OneHotEncoder 在 3.0 中已删除，并且 OneHotEncoderEstimator 现在重命名为 OneHotEncoder。
• 在 2.3 中已弃用的 org.apache.spark.ml.image.ImageSchema.readImages 在 3.0 中已删除，请改用 spark.read.format('image')。
• 带有参数 Int runs 的 org.apache.spark.mllib.clustering.KMeans.train 在 2.1 中已弃用，并在 3.0 中已删除。请改用没有 runs 的 train 方法。
• 在 2.0 中已弃用的 org.apache.spark.mllib.classification.LogisticRegressionWithSGD 在 3.0 中已删除，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 中已删除，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 中已删除，请改用 org.apache.spark.ml.regression.LinearRegression，并将 elasticNetParam 设置为 0.0。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 中已删除，请改用 org.apache.spark.ml.regression.LinearRegression，并将 elasticNetParam 设置为 1.0。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 中已删除，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 中已删除，自 Spark 2.0.0 以来无效。
• 在 2.4 中已弃用的 org.apache.spark.ml.LinearSVCModel.setWeightCol 在 3.0 中已删除，不适用于用户。
• 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 来检索层的大小。
• 在 2.4.5 中已弃用的 org.apache.spark.ml.classification.GBTClassifier.numTrees 在 3.0 中已删除，请改用 getNumTrees。
• 在 2.4 中已弃用的 org.apache.spark.ml.clustering.KMeansModel.computeCost 在 3.0 中已删除，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 中已删除。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 中已删除。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 中已删除。请改用 accuracy。
• 在 2.0 中已弃用的 org.apache.spark.ml.util.GeneralMLWriter.context 在 3.0 中已删除，请改用 session。
• 在 2.0 中已弃用的 org.apache.spark.ml.util.MLWriter.context 在 3.0 中已删除，请改用 session。
• 在 2.0 中已弃用的 org.apache.spark.ml.util.MLReader.context 在 3.0 中已删除，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]]。

弃用和行为变更

弃用

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

行为变更

• SPARK-11215：在 Spark 2.4 及更早版本中，当在 StringIndexer 中指定 frequencyDesc 或 frequencyAsc 作为 stringOrderType 参数时，如果频率相等，则字符串的顺序未定义。自 Spark 3.0 以来，频率相等的字符串将按字母顺序进一步排序。并且自 Spark 3.0 以来，StringIndexer 支持编码多个列。
• 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，此限制被解除，因此 Imputer 可以处理所有数字类型。
• SPARK-23469：在 Spark 3.0 中，HashingTF Transformer 使用 murmur3 哈希函数的更正实现将元素哈希到向量。HashingTF 在 Spark 3.0 中会将元素映射到向量中的不同位置，而不是在 Spark 2 中。但是，使用 Spark 2.x 创建并使用 Spark 3.0 加载的 HashingTF 仍将使用先前的哈希函数，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 中删除。调用者在创建后不需要在模型中设置分类器。
• SPARK-25790：PCA 在 Spark 3.0 中增加了对超过 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，如果之前发生重新运行，用户会看到由输入/输出用户/项目块之间的不匹配引起的 ArrayIndexOutOfBoundsException。从 3.0 开始，将抛出一个带有更清晰消息的 SparkException，并包装原始的 ArrayIndexOutOfBoundsException。
• SPARK-29232：在 3.0 之前的版本中，RandomForestRegressionModel 不会更新底层 DecisionTreeRegressionModels 的参数映射。这在 3.0 中已修复。

从 MLlib 2.2 升级到 2.3

重大变更

• 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 Experimental API)。这不会影响 Python summary 方法，该方法对于多项式和二进制情况仍然可以正常工作。

弃用和行为变更

弃用

• OneHotEncoder 已被弃用，将在 3.0 中移除。它已被新的 OneHotEncoderEstimator 替代 (参见 SPARK-13030)。 注意 在 3.0 中，OneHotEncoderEstimator 将被重命名为 OneHotEncoder (但 OneHotEncoderEstimator 将保留作为别名)。

行为变更

• 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，并行度被设置为 Scala 中的默认线程池大小。
• SPARK-22156: 当 numIterations 设置为大于 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界情况错误，该错误导致某些特征具有零方差时，系数不正确。
• SPARK-16957: 树算法现在使用中点作为分割值。这可能会改变模型训练的结果。
• SPARK-14657: 修复了一个问题，即没有截距的 RFormula 生成的特征与 R 中的输出不一致。在这种情况下，这可能会改变模型训练的结果。

从 MLlib 2.1 升级到 2.2

重大变更

没有重大更改。

弃用和行为变更

弃用

没有弃用。

行为变更

• SPARK-19787: 对于 ALS.train 方法 (标记为 DeveloperApi)，regParam 的默认值从 1.0 更改为 0.1。 注意 这不影响 ALS Estimator 或 Model，也不影响 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 现在以与未见值相同的方式处理 NULL 值。以前，无论 handleInvalid 参数的设置如何，都会始终抛出异常。

从 MLlib 2.0 升级到 2.1

重大变更

已删除弃用的方法

• 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

弃用和行为变更

弃用

• SPARK-18592: 弃用除 DecisionTreeClassificationModel、GBTClassificationModel、RandomForestClassificationModel、DecisionTreeRegressionModel、GBTRegressionModel 和 RandomForestRegressionModel 的输入/输出列 Params 之外的所有 Param setter 方法

行为变更

• SPARK-17870: 修复了 ChiSqSelector 的一个 bug，这可能会改变其结果。现在，ChiSquareSelector 使用 pValue 而不是原始统计量来选择固定数量的顶级特征。
• SPARK-3261: 在 k 个不同的质心不可用或未被选择的情况下，KMeans 返回的聚类中心可能少于 k 个。
• SPARK-17389: KMeans 将 k-means|| 初始化模式的默认步数从 5 减少到 2。

从 MLlib 1.6 升级到 2.0

重大变更

Spark 2.0 中有几个重大更改，如下所述。

基于 DataFrame 的 API 的线性代数类

Spark 的线性代数依赖项已移至一个新项目 mllib-local (参见 SPARK-13944)。作为此更改的一部分，线性代数类被复制到一个新包 spark.ml.linalg。 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 (参见 SPARK-14810 以获取完整列表)。

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 pipeline 组件都支持向后兼容性加载，但 Spark 2.0 之前版本中一些包含向量或矩阵列的现有 DataFrames 和 pipelines 可能需要迁移到新的 spark.ml 向量和矩阵类型。用于将 DataFrame 列从 spark.mllib.linalg 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。

还有一些可用于转换向量和矩阵的单个实例的实用方法。 在 mllib.linalg.Vector / mllib.linalg.Matrix 上使用 asML 方法可以转换为 ml.linalg 类型，使用 mllib.linalg.Vectors.fromML / mllib.linalg.Matrices.fromML 可以转换为 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();

已删除弃用的方法

在 spark.mllib 和 spark.ml 包中删除了几个已弃用的方法

• ml.evaluation.BinaryClassificationEvaluator 中的 setScoreCol
• spark.ml 中 LinearRegression 和 LogisticRegression 中的 weights
• mllib.optimization.LBFGS 中的 setMaxNumIterations (标记为 DeveloperApi)
• mllib.rdd.RDDFunctions 中的 treeReduce 和 treeAggregate (这些函数可以直接在 RDD 上使用，并标记为 DeveloperApi)
• mllib.tree.configuration.Strategy 中的 defaultStrategy
• mllib.tree.Node 中的 build
• 用于多类别的 libsvm 加载器以及 mllib.util.MLUtils 中的 load/save labeledData 方法

可以在 SPARK-14810 找到重大更改的完整列表。

弃用和行为变更

弃用

spark.mllib 和 spark.ml 包中的弃用包括

• SPARK-14984: 在 spark.ml.regression.LinearRegressionSummary 中，model 字段已被弃用。
• SPARK-13784: 在 spark.ml.regression.RandomForestRegressionModel 和 spark.ml.classification.RandomForestClassificationModel 中，已弃用 numTrees 参数，而推荐使用 getNumTrees 方法。
• SPARK-13761: 在 spark.ml.param.Params 中，已弃用 validateParams 方法。 我们将重写方法中的所有功能都移动到相应的 transformSchema 中。
• SPARK-14829: 在 spark.mllib 包中，已弃用 LinearRegressionWithSGD、LassoWithSGD、RidgeRegressionWithSGD 和 LogisticRegressionWithSGD。 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，已弃用参数 precision、recall 和 fMeasure，而推荐使用 accuracy。
• SPARK-15644: 在 spark.ml.util.MLReader 和 spark.ml.util.MLWriter 中，已弃用 context 方法，而推荐使用 session。
• 在 spark.ml.feature.ChiSqSelectorModel 中，已弃用 setLabelCol 方法，因为它未被 ChiSqSelectorModel 使用。

行为变更

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
  • 在使用 L1/L2 Updater 训练二元分类模型时，截距将不会被正则化。
  • 如果用户设置不进行正则化，则使用或不使用特征缩放进行训练将返回相同的解决方案并具有相同的收敛速度。
• 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 bug，这可能会改变其结果。
• 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 现在遵守句子边界。 以前，它没有正确处理它们。
• SPARK-10574: HashingTF 在 spark.ml 和 spark.mllib 中默认使用 MurmurHash3 作为哈希算法。
• SPARK-14768: PySpark 的 Param 的 expectedType 参数已被移除。
• SPARK-14931: 已经更改了一些 Scala 和 Python 管道之间不匹配的默认 Param 值。
• SPARK-13600: QuantileDiscretizer 现在使用 spark.sql.DataFrameStatFunctions.approxQuantile 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，输出桶将会不同。

从 MLlib 1.5 升级到 1.6

spark.mllib 或 spark.ml 包中没有破坏性的 API 更改，但存在弃用和行为更改。

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。这有助于区分实例（行）传递给算法的“权重”。

行为变更

• SPARK-7770: spark.mllib.tree.GradientBoostedTrees: validationTol 在 1.6 中更改了语义。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（相对于先前的误差）；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，没有破坏性的 API 更改，但有几个行为更改

• SPARK-9005: RegressionMetrics.explainedVariance 返回回归平方和的平均值。
• SPARK-8600: NaiveBayesModel.labels 变为已排序状态。
• SPARK-3382: GradientDescent 具有默认的收敛容差 1e-3，因此迭代可能比 1.4 更早结束。

在 spark.ml 包中，存在一个破坏性的 API 更改和一个行为更改

• SPARK-9268: 由于 Scala 编译器错误，Java 的 varargs 支持已从 Params.setDefault 中移除。
• SPARK-10097: 添加了 Evaluator.isLargerBetter 以指示指标排序。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，有几个破坏性的更改，但都在 DeveloperApi 或 Experimental API 中

• 梯度提升树
  • （破坏性更改） Loss.gradient 方法的签名已更改。这仅适用于为 GBT 编写自己的损失函数的用户。
  • （破坏性更改） 由于对 case class 字段进行了修改，BoostingStrategy 的 case class 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。
• （破坏性更改） LDA.run 的返回值已更改。它现在返回抽象类 LDAModel，而不是具体类 DistributedLDAModel。LDAModel 类型的对象仍然可以转换为适当的具体类型，这取决于优化算法。

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
• Pipeline 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，因此我们在此处不列出所有更改。但是，由于 1.4 spark.ml 不再是 alpha 组件，因此我们将提供未来版本中任何 API 更改的详细信息。

从 MLlib 1.2 升级到 1.3

在 spark.mllib 包中，有几个破坏性的更改。第一个更改（在 ALS 中）是唯一一个未标记为 Alpha 或 Experimental 的组件中的更改。

• （破坏性更改） 在 ALS 中，多余的方法 solveLeastSquares 已被移除。同时还移除了 DeveloperApi 方法 analyzeBlocks。
• （破坏性更改） StandardScalerModel 仍然是一个 Alpha 组件。其中，variance 方法已被 std 方法替换。要计算原始 variance 方法返回的列方差值，只需将 std 返回的标准偏差值平方即可。
• （破坏性更改） StreamingLinearRegressionWithSGD 仍然是一个 Experimental 组件。其中，有两处更改
  • 删除了带参数的构造函数，转而使用默认构造函数和参数设置器方法的构建器模式。
  • 变量 model 不再是公共的。
• （破坏性更改） DecisionTree 仍然是一个 Experimental 组件。在其及其关联的类中，有几处更改
  • 在 DecisionTree 中，已弃用的类方法 train 已被移除。（对象/静态 train 方法仍然存在。）
  • 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 之间的 MLlib 接口) 是一个公共 API，但现在是私有的，声明为 private[python]。这从来都不是供外部使用的。
• 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，并且步长需要乘以 2。

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

• 旧的 SchemaRDD 已被 DataFrame 替换，并略有修改的 API。spark.ml 中所有以前使用 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，请参见以上示例和 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”）。该类型最初为 Double（对于类 1.0 的概率），但现在为 Vector（对于每个类的概率，以支持未来的多类分类）。
• 在 Spark 1.2 中，LogisticRegressionModel 不包含截距。在 Spark 1.3 中，它包含截距；但是，由于它使用 spark.mllib.LogisticRegressionWithLBFGS 的默认设置，它将始终为 0.0。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 中继续是一个实验性 API

1. （破坏性更改） Scala 分类 API 采用一个命名参数来指定类的数量。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 或通过 DecisionTree 静态 trainClassifier 和 trainRegressor 方法指定。

2. （破坏性更改） Node 的 API 已更改。这通常不应影响用户代码，除非用户手动构造决策树（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（对于分类）。

3. 打印方法的输出已更改。toString (Scala/Java) 和 __repr__ (Python) 方法过去会打印完整的模型；现在它们打印摘要。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 中继续是一个实验性 API

1. (重大变更) 为了与 scikit-learn 和 rpart 中的树的实现方式保持一致，树的深度含义已更改了 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。此深度通过 Strategy 中的 maxDepth 参数或通过 DecisionTree 静态的 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，并将专门的参数类型替换为简单的 String 类型。

新的推荐使用的 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，这引入了一些重大变更。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。