对于较旧的ML模型，例如DecisionTreeModel，可以加载存储的模型并将其直接应用于单个数据点（特征向量），如下所示：
val features: Vector = <some vector of floats representing feature values>
val modelDT = DecisionTreeModel.load(sparkContext, <"some-path">)
val prediction = modelDT.predict(features)
对于MultilayerPerceptronClassificationModel，预测方法受到保护，无法调用。这些功能需要包装在数据集中，结果将作为DataFrame返回一行。这很麻烦，并且为一次分类一个点的实时系统增加了大量开销。
答案 0 :(得分：0)
因此，如果您像这样加载模型：
no table exists或您之前训练过的人。
然后以这种形式将没有已知标签的输入数据放入
model = MultilayerPerceptronClassificationModel.load("Path.model")
您还可以执行Vectors.dense或其他稀疏声明
您需要导入一些内容，例如：
test = spark.sparkContext.parallelize([Row(features=Vectors.sparse(4, {1: 1.0, 2: 0.0, 3: -1.0, 4: 1.0}))]).toDF()
result = model.transform(test).head().prediction
print(result)