杨利霞 发表于 2020-11-20 15:08

基于 Spark 的机器学习应用框架研究与实现


基于 Spark 的机器学习应用框架研究与实现


聚类分析和分类分析是机器学习的重要领域,K-means 算法和随机
森林算法分别是聚类分析和分类分析中最常用的算法之一。然而,
K-means 算法和随机森林算法都存在一些限制和缺点。K-means 算法中
的群组数目 K 值需要使用者预先设定,这对使用者提出了较高的要求,
经验不足的使用者设定的 K 值的准确性也存在一定的问题;随机森林算
法进行分类决策时,无法区别对待每一棵决策树,导致准确性差的决策
树会影响算法整体的准确性。在实际应用中,待分析的数据集存在各种
各样的问题。包含较多孤立点的数据集会增加 K-means 算法的迭代次数,
提高算法的复杂度,降低算法的准确性;对于包含噪声特征和冗余特征
的数据集,随机森林算法的准确性会受到影响,错误率会提高。上述这
些问题提高了用户使用 K-means 算法和随机森林算法的难度。
另一方面,基于分布式计算的机器学习框架得到了广泛应用。然而,
现有的机器学习框架受限于机器学习算法自身的限制和缺点,要求用户
进行数据挖掘和分析时,需要掌握足够的机器学习算法知识,导致这些
机器学习框架的应用门槛较高。
针对上述问题,本文以实验室承担的某省交通物流云计算平台建设
项目为背景,对聚类分析中的 K-means 算法和分类分析中的随机森林算
法以及这两种算法存在的限制和缺点进行了分析,提出了相应的改进算
法,设计并实现了一套基于 Spark 的机器学习应用框架。该框架具有自
适应的数据预处理、算法调优和参数选择,用户无需关注机器学习算法
的底层细节等特点。最后,本文通过交通物流领域的应用例子对该框架
I上海交通大学硕士学位论文 摘要
进行了验证。
与其他同类系统相比,本文工作具有以下特点:
1) 针对 K-means 算法存在的特征权重不一致、孤立点干扰和群组数
目 K 值设定等问题,本文提出了一种改进的自适应 K-means 算法
(Adaptive K-means,简称 AKM)。实验结果表明,AKM 算法具有对待分
析数据集进行规范化处理,对孤立点进行检测和删除,自动化求解群组
数目 K 值等特点。
2) 针对随机森林算法存在的噪声特征干扰、冗余特征干扰和分类决
策投票策略等问题,本文提出了一种改进的自适应随机森林算法
(Adaptive Random Forests,简称 ARF)。实验结果表明,ARF 算法具有删
除噪声特征和冗余特征,根据具体的问题选择合适的分类决策投票策略
等特点。
3) 在 AKM 算法和 ARF 算法的基础上,设计实现了一套基于 Spark
的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
Spark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
型的导入导出、统计和反馈机器学习模型信息等功能。应用情况表明,
用户使用 AMLF 框架进行机器学习应用开发时,无需关注机器学习算法
的底层细节,降低了使用门槛。


页: [1]
查看完整版本: 基于 Spark 的机器学习应用框架研究与实现