在Apache Spark的机器学习库ml中，可以使用回归算法来进行回归拟合。回归拟合误差可以通过评估模型的性能指标来衡量，例如均方根误差（RMSE）或平均绝对误差（MAE）。

以下是一个使用Apache Spark的回归算法进行回归拟合并计算拟合误差的示例代码：

from pyspark.sql import SparkSession
from pyspark.ml.feature import VectorAssembler
from pyspark.ml.regression import LinearRegression
from pyspark.ml.evaluation import RegressionEvaluator

# 创建SparkSession
spark = SparkSession.builder.appName("RegressionExample").getOrCreate()

# 读取数据
data = spark.read.csv("data.csv", header=True, inferSchema=True)

# 创建特征向量的Assembler
assembler = VectorAssembler(inputCols=["feature1", "feature2"], outputCol="features")
data = assembler.transform(data)

# 划分训练集和测试集
trainData, testData = data.randomSplit([0.7, 0.3])

# 创建线性回归模型
lr = LinearRegression(featuresCol="features", labelCol="label")

# 训练模型
model = lr.fit(trainData)

# 进行预测
predictions = model.transform(testData)

# 评估模型性能
evaluator = RegressionEvaluator(labelCol="label", predictionCol="prediction", metricName="rmse")
rmse = evaluator.evaluate(predictions)
print("Root Mean Squared Error (RMSE):", rmse)

evaluator = RegressionEvaluator(labelCol="label", predictionCol="prediction", metricName="mae")
mae = evaluator.evaluate(predictions)
print("Mean Absolute Error (MAE):", mae)

# 关闭SparkSession
spark.stop()

在这个例子中，我们首先创建了一个SparkSession对象，并使用read.csv()方法来读取包含特征和标签的数据文件。然后，我们使用VectorAssembler将特征列合并成一个名为"features"的向量列。接下来，我们将数据划分为训练集和测试集，并创建一个线性回归模型。然后，我们使用训练集来训练模型，并使用测试集进行预测。最后，我们使用RegressionEvaluator来评估模型的性能，计算RMSE和MAE。

请注意，上述代码中的"data.csv"和"feature1"、"feature2"、"label"等名称应根据您的数据和特征命名进行相应的修改。