Перехват модели линейной регрессии Spark MLLib всегда равен 0,0?

Я только начинаю работать с ML и Apache Spark, поэтому пробовал опробовать линейную регрессию на основе примеров Spark. Кажется, я не могу создать подходящую модель для каких-либо данных, кроме образца в примере, а перехват всегда равен 0,0, независимо от входных данных.

Я подготовил простой набор обучающих данных на основе функции:

У = (2 * х1) + (3 * х2) + 4

Т.е. я ожидал бы, что перехват будет 4, а веса будут (2, 3).

Если я запустил LinearRegressionWithSGD.train (...) на необработанных данных, модель будет такой:

Model intercept: 0.0, weights: [NaN,NaN]

И все прогнозы NaN:

Features: [1.0,1.0], Predicted: NaN, Actual: 9.0
Features: [1.0,2.0], Predicted: NaN, Actual: 12.0

Др

Если я сначала масштабирую данные, я получаю:

Model intercept: 0.0, weights: [17.407863391511754,2.463212481736855]

Features: [1.0,1.0], Predicted: 19.871075873248607, Actual: 9.0
Features: [1.0,2.0], Predicted: 22.334288354985464, Actual: 12.0
Features: [1.0,3.0], Predicted: 24.797500836722318, Actual: 15.0

Др

Либо я делаю что-то не так, либо я не понимаю, каким должен быть результат этой модели, так может ли кто-нибудь подсказать, где я могу здесь ошибиться?

Мой код ниже:

   // Load and parse the dummy data (y, x1, x2) for y = (2*x1) + (3*x2) + 4
   // i.e. intercept should be 4, weights (2, 3)?
   val data = sc.textFile("data/dummydata.txt")

   // LabeledPoint is (label, [features])
   val parsedData = data.map { line =>
    val parts = line.split(',')
    val label = parts(0).toDouble
    val features = Array(parts(1), parts(2)) map (_.toDouble)
    LabeledPoint(label, Vectors.dense(features))
  }

  // Scale the features
  val scaler = new StandardScaler(withMean = true, withStd = true)
                   .fit(parsedData.map(x => x.features))
  val scaledData = parsedData
                  .map(x => 
                  LabeledPoint(x.label, 
                     scaler.transform(Vectors.dense(x.features.toArray))))

  // Building the model: SGD = stochastic gradient descent
  val numIterations = 1000
  val step = 0.2
  val model = LinearRegressionWithSGD.train(scaledData, numIterations, step)

  println(s">>>> Model intercept: ${model.intercept}, weights: ${model.weights}")`

  // Evaluate model on training examples
  val valuesAndPreds = scaledData.map { point =>
    val prediction = model.predict(point.features)
    (point.label, point.features, prediction)
  }
  // Print out features, actual and predicted values...
  valuesAndPreds.take(10).foreach({case (v, f, p) => 
      println(s"Features: ${f}, Predicted: ${p}, Actual: ${v}")})