11.5.7 模型评估
无论机器学习任务使用的是何种算法，模型评估都是端到端机器学习流水线的一个重要环节。
许多机器学习任务可以使用不同的模型来应对，而且即使使用的是同一个算法，参数设置也可以带来不同的结果。
不仅如此，我们还要考虑模型对训练数据过度拟合的风险，因此你最好通过在另一个数据集上测试模型来对模型进行评估，而不是使用训练数据集。
MLlib 包含一组试验性模型评估函数，不过只能在Java 和 Scala 中使用。
这些函数在 mllib.evaluation 包中，根据问题的不同，它们在 BinaryClassificationMetrics 和 MulticlassMetrics 等这些不同的类中。
使用这些类，你可以从由（预测，事实）对组成的 RDD 上创建出一个 Metrics 对象，然后计算诸如精确率、召回率、接受者操作特性（ROC）曲线下的面积等指标。
这些方法应该运行在一个非训练集的测试集上（比如在训练前先划出 20% 的数据）。
可以使用 map() 函数将你的模型应用到测试数据集上，生成由（预测，事实）对组成的 RDD。