Flink ML 线性 SVM（Linear SVC）入门输入输出列、训练参数与 Java 示例解读

1. 输入列（Input Columns）

说明：featuresCol必须是 Flink ML 的 Vector 类型（DenseVector/SparseVector）。

2. 输出列（Output Columns）

注意：文档里把predictionCol描述成 “Label of the max probability”。从工程角度建议你这样理解：

• rawPrediction：模型对各类别的打分向量（可能是 margin/score，也可能被映射为概率形式，具体依实现而定）
• prediction：在rawPrediction基础上做阈值/最大值选择后的最终标签

3. 参数（Parameters）详解

3.1 LinearSVCModel 参数（预测侧）

threshold只在二分类时特别重要：

• rawPrediction 代表某种“置信/得分”，阈值决定了分类边界偏向哪个类别
• 你可以通过调节 threshold 来控制召回/精度的取舍

3.2 LinearSVC 训练参数（训练侧）

你可以把这些参数看作“线性模型 + 梯度优化”的通用训练配置：

• maxIter + tol控制训练何时停止
• learningRate + batchSize控制优化步伐
• reg + elasticNet控制模型复杂度与稀疏性

4. Java 示例代码流程解读

你给的示例代码做了这几件事：

1. 构造训练数据（features, label, weight）
2. 设置weightCol，训练 LinearSVC
3. 用训练后的模型对输入数据做 transform
4. 打印 features / expected label / prediction / rawPrediction

示例代码的关键片段

4.1 构造输入表

DataStream<Row>inputStream=env.fromElements(Row.of(Vectors.dense(1,2,3,4),0.,1.),...Row.of(Vectors.dense(15,2,3,4),1.,5.));TableinputTable=tEnv.fromDataStream(inputStream).as("features","label","weight");

这份数据大致表达：

• 第一类 label=0：features 的第一个维度在 1~5
• 第二类 label=1：features 的第一个维度在 11~15
  因此线性可分，非常适合用线性 SVM 学到一个简单分割平面。

4.2 训练模型

LinearSVClinearSVC=newLinearSVC().setWeightCol("weight");LinearSVCModellinearSVCModel=linearSVC.fit(inputTable);

设置weightCol表示不同样本对损失函数贡献不同权重。
在样本不均衡、或者你希望某些样本更重要时很有用。

4.3 预测并输出 rawPrediction

TableoutputTable=linearSVCModel.transform(inputTable)[0];

模型输出一般会包含：

• 原始列：features / label / weight
• 新增列：prediction / rawPrediction

5. 一个很容易踩的坑：label 类型与示例的“不一致”

文档写的是：

• labelCol类型：Integer
• predictionCol类型：Integer

但示例里 label 使用的是0./1.（Double），打印时也 cast 成Double：

doubleexpectedResult=(Double)row.getField(linearSVC.getLabelCol());doublepredictionResult=(Double)row.getField(linearSVC.getPredictionCol());

为了少踩坑，建议你自己的工程里做两件事：

• 标签列label用 Integer（0/1）更规范
• 输出 prediction 也按 Integer 读取

如果你沿用 Double，也要保证 train/predict/读取类型统一，否则容易出现类型转换异常或 schema 不匹配。

6. 实战建议：Linear SVC 在生产环境怎么用更稳

1）强烈建议做特征缩放（StandardScaler）

SVM 依赖 margin 和距离尺度，特征量纲差异会显著影响结果。典型做法：

• VectorAssembler（拼特征）
• StandardScaler（标准化）
• LinearSVC（训练）

这能明显提升收敛速度与模型稳定性。

2）调 threshold 来平衡召回与精度

二分类任务里，你可以把 threshold 当成“偏向正类/负类”的旋钮：

• threshold 调低：更容易预测为正类（召回↑，误报↑）
• threshold 调高：更保守（精度↑，漏报↑）

3）样本不均衡优先用 weightCol

比如正样本远少于负样本时：

• 给正样本更高权重
• 或给负样本更低权重

一般比盲目调参更直接有效。

4）正则化 reg + elasticNet 控制过拟合与稀疏

• 想要更稳定：提高reg（偏 L2）
• 想要更稀疏特征选择：提高elasticNet（偏 L1）

7. 小结

Linear SVC 在 Flink ML 中的使用非常符合 Flink ML 的统一设计：

• 用 Table API 输入特征向量features
• 用fit()训练得到LinearSVCModel
• 用transform()输出prediction和rawPrediction

理解这三点，你就能把它顺利放进 Pipeline 或 Graph 里，和特征工程、数据清洗、结果下游输出串起来。