该工程可以线上部署spark-random-forest模型，并且实现了spark画图功能，分别基于python和scala实现。
-
基于SparkMLTree，把随机森林中的决策树模型生成每一个json文件模型，如下所示，保存在resource下的json_model 文件夹下： { "featureIndex":0, "gain":0.4591836734693877, "impurity":0.4591836734693877, "threshold":1.9, "nodeType":"internal", "impurityStats":[ 54.0, 30.0 ], "splitType":"continuous", "prediction":0.0, "leftChild":{ "impurity":0.0, "nodeType":"leaf", "impurityStats":[ 54.0, 0.0 ], "prediction":0.0 }, "rightChild":{ "impurity":0.0, "nodeType":"leaf", "impurityStats":[ 0.0, 30.0 ], "prediction":1.0 } }
-
com.strings.algo.tree.parse 文件下有两个文件，分别基于python和scala实现了解析Json模型文件形成树，功能基本一致，python版本的增加了画图功能，能把spark的树基于dot画出来。
第0棵树：
第5棵树：
第13棵树：
当然可以通过spark中RandomForestClassificationModel的toDebugString生成的树的结构对比，
Tree 0 (weight 1.0): If (feature 0 <= 1.9) Predict: 0.0 Else (feature 0 > 1.9) Predict: 1.0
Tree 5 (weight 1.0): If (feature 2 <= 5.4) If (feature 3 <= 2.7) Predict: 1.0 Else (feature 3 > 2.7) If (feature 0 <= 1.9) Predict: 0.0 Else (feature 0 > 1.9) Predict: 1.0 Else (feature 2 > 5.4) If (feature 3 <= 3.4) Predict: 1.0 Else (feature 3 > 3.4) Predict: 0.0
Tree 13 (weight 1.0): If (feature 2 <= 5.4) If (feature 1 <= 0.6) Predict: 0.0 Else (feature 1 > 0.6) Predict: 1.0 Else (feature 2 > 5.4) If (feature 0 <= 1.7) Predict: 0.0 Else (feature 0 > 1.7) Predict: 1.0
- 结果对比，基于Json模型解析的树，和原来spark存储的模型进行对比，发现结果完全一致。（这里的VectorIndex没有起作用）