Usei o ML PipeLine para executar modelos de regressão logística, mas por algumas razões obtive piores resultados do que R. Fiz algumas pesquisas e o único post que achei relacionado a esse problema éesta . Parece queRegressão logística Spark retorna modelos que minimizam a função de perda enquanto a função R glm usa a probabilidade máxima. O modelo Spark apenas acertou 71,3% dos registros, enquanto R pode prever 95,55% dos casos corretamente. Fiquei me perguntando se fiz algo errado na configuração e se há uma maneira de melhorar a previsão. Abaixo está o meu código Spark e código R-

Código Spark

partial model_input  
label,AGE,GENDER,Q1,Q2,Q3,Q4,Q5,DET_AGE_SQ  
1.0,39,0,0,1,0,0,1,31.55709342560551  
1.0,54,0,0,0,0,0,0,83.38062283737028  
0.0,51,0,1,1,1,0,0,35.61591695501733



def trainModel(df: DataFrame): PipelineModel = {  
  val lr  = new LogisticRegression().setMaxIter(100000).setTol(0.0000000000000001)  
  val pipeline = new Pipeline().setStages(Array(lr))  
  pipeline.fit(df)  
}

val meta =  NominalAttribute.defaultAttr.withName("label").withValues(Array("a", "b")).toMetadata

val assembler = new VectorAssembler().
  setInputCols(Array("AGE","GENDER","DET_AGE_SQ",
 "QA1","QA2","QA3","QA4","QA5")).
  setOutputCol("features")

val model = trainModel(model_input)
val pred= model.transform(model_input)  
pred.filter("label!=prediction").count

Código R

lr <- model_input %>% glm(data=., formula=label~ AGE+GENDER+Q1+Q2+Q3+Q4+Q5+DET_AGE_SQ,
          family=binomial)
pred <- data.frame(y=model_input$label,p=fitted(lr))
table(pred $y, pred $p>0.5)

Sinta-se à vontade para me informar se precisar de outras informações. Obrigado!

Editar 18/09/2015 Eu tentei aumentar a iteração máxima e diminuir drasticamente a tolerância. Infelizmente, não melhorou a previsão. Parece que o modelo convergiu para um mínimo local em vez do mínimo global.