Apache Spark MLlib 是一個用于大規模機器學習的庫，提供了許多機器學習算法，如分類、回歸、聚類和推薦系統等。在 Spark MLlib 中，可以使用多種指標來評估模型性能。以下是一些常用的評估方法：
準確率（Accuracy）：準確率是最常見的評估指標之一，用于衡量分類模型的性能。它表示正確預測的樣本數占總樣本數的比例。
精確度（Precision）和召回率（Recall）：精確度和召回率是分類問題中常用的評估指標。精確度表示預測為正例的樣本中實際為正例的比例；召回率表示實際為正例的樣本中被預測為正例的比例。
F1 分數（F1 Score）：F1 分數是精確度和召回率的調和平均值，用于綜合評價分類模型的性能。F1 分數越高，表示模型在平衡精確度和召回率方面的表現越好。
ROC 曲線（Receiver Operating Characteristic Curve）：ROC 曲線是一種圖形化評估指標，用于展示不同閾值下的真正例率（True Positive Rate）和假正例率（False Positive Rate）。AUC（Area Under Curve）是 ROC 曲線下的面積，用于衡量模型的分類性能。AUC 值越接近 1，表示模型的分類性能越好。
均方誤差（Mean Squared Error, MSE）和均方根誤差（Root Mean Squared Error, RMSE）：MSE 和 RMSE 是回歸問題中常用的評估指標。MSE 表示預測值與實際值之差的平方的平均值；RMSE 是 MSE 的平方根，表示預測值與實際值之差的平均大小。
R2 分數（R-squared）：R2 分數是回歸問題中常用的評估指標，表示模型解釋的變異占總變異的比例。R2 分數越接近 1，表示模型的解釋能力越強。
在 Spark MLlib 中，可以使用 BinaryClassificationModel、RegressionModel 等接口的 evaluate() 方法來計算這些評估指標。例如，對于分類問題，可以使用以下代碼計算準確率：
from pyspark.mllib.classification import LogisticRegressionModel
# 假設 model 是一個訓練好的邏輯回歸模型
predictions = model.predict(test_data)
accuracy = predictions.filter(lambda x: x == test_labels).count() / float(test_data.count())
對于回歸問題，可以使用以下代碼計算均方誤差：
from pyspark.mllib.regression import LinearRegressionModel
# 假設 model 是一個訓練好的線性回歸模型
predictions = model.predict(test_data)
mse = predictions.map(lambda v: (v - test_labels.collect()[0]) ** 2).reduce(lambda x, y: x + y) / float(test_data.count())
