火花 2.0.0+
乍一看，所有Transformers 和Estimators 都使用以下接口实现MLWritable：
def write: MLWriter
def save(path: String): Unit
和MLReadable的界面如下
def read: MLReader[T]
def load(path: String): T
这意味着你可以使用save方法将模型写入磁盘，例如
import org.apache.spark.ml.PipelineModel
val model: PipelineModel
model.save("/path/to/model")
稍后再读：
val reloadedModel: PipelineModel = PipelineModel.load("/path/to/model")
在 PySpark 中也实现了等效的方法，分别为 MLWritable / JavaMLWritable 和 MLReadable / JavaMLReadable：
from pyspark.ml import Pipeline, PipelineModel
model = Pipeline(...).fit(df)
model.save("/path/to/model")
reloaded_model = PipelineModel.load("/path/to/model")
SparkR 提供 write.ml / read.ml 函数，但截至今天，这些函数与其他支持的语言不兼容 - SPARK-15572。
请注意，加载器类必须与存储的PipelineStage 的类相匹配。例如，如果您保存了LogisticRegressionModel，则应使用LogisticRegressionModel.load 而不是LogisticRegression.load。
如果您使用 Spark
除了 Spark 特定方法之外，还有越来越多的库旨在使用 Spark 独立方法保存和加载 Spark ML 模型。参见例如How to serve a Spark MLlib model?。
火花 >= 1.6
从 Spark 1.6 开始，可以使用save 方法保存您的模型。因为几乎每个model 都实现了MLWritable 接口。例如，LinearRegressionModel 有它，因此可以使用它将您的模型保存到所需的路径。
火花
我相信你在这里做出了错误的假设。
DataFrames 上的某些操作可以进行优化，与普通的RDDs 相比，它可以转化为更高的性能。 DataFrames 提供高效的缓存，SQLish API 可以说比 RDD API 更容易理解。
ML 流水线非常有用，像交叉验证器或不同的评估器这样的工具在任何机器流水线中都是必不可少的，即使上述任何一个都不是特别难在低级 MLlib API 之上实现，它也更好已准备好使用、通用且经过相对良好测试的解决方案。
到目前为止一切顺利，但还有一些问题：
- 据我所知，
DataFrames 上的简单操作（例如 select 或 withColumn）显示的性能与其 RDD 等效项（例如 map）相似，
- 在某些情况下，与经过良好调整的低级别转换相比，增加典型管道中的列数实际上会降低性能。您当然可以在纠正该问题的过程中添加 drop-column-transformers，
- 许多 ML 算法，包括
ml.classification.NaiveBayes are simply wrappers 围绕其 mllib API，
- PySpark ML/MLlib 算法将实际处理委托给其 Scala 对应算法，
- 最后但并非最不重要的一点是，RDD 仍然存在，即使隐藏在 DataFrame API 后面
我相信，最终通过使用 ML 而不是 MLLib 获得的是相当优雅的高级 API。您可以做的一件事是将两者结合起来创建一个自定义的多步骤管道：
这不是最佳解决方案，但在给定当前 API 的情况下，它是我能想到的最佳解决方案。