数学建模社区-数学中国

标题: 基于 Spark 的机器学习应用框架研究与实现 [打印本页]

作者: 杨利霞    时间: 2020-11-20 15:08
标题: 基于 Spark 的机器学习应用框架研究与实现

7 R/ H9 `2 L( I, A' B& H& F. N基于 Spark 的机器学习应用框架研究与实现3 ^( @+ O( `, C. p4 o& Q
& i( r, H8 V7 K& M7 X& S$ ~7 p
" \( s: v/ G4 `- y5 C' G7 b
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4 M! V2 O8 i8 B: y, z
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,
! r2 Q6 y8 v% T: S" T/ wK-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
) G. U1 j, C6 W' R, Y: j& x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,; k/ c( \  M% z5 d5 K
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
" {9 n; y4 S$ N  u1 ~. ~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" F3 P9 H1 c* y9 x
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" G0 Y! k0 o' q1 Z: o) ~
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,0 d+ t: j  O$ F( D$ [! w
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
- g0 @4 s' H8 g0 @' }( t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
+ Y" e5 {: c/ S; R/ [3 Y些问题提高了用户使用 K-means 算法和随机森林算法的难度。
9 M7 V/ U- u& @( z8 l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,# {2 i1 w  f: _8 z( k5 {
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# Q6 W& M9 o1 Y7 ]6 X
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
* M; P' I( t2 h3 F. W机器学习框架的应用门槛较高。
) O. E) M6 p7 T9 t, ^5 ?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: m8 M; u; C6 k1 h" N7 R
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( M& u3 E& z2 Q
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5 V* y, b! L5 c1 U8 ]# @/ n
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) t3 X; U( D+ G* A) m4 Q% Q/ i
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* h4 D3 v+ ?- Y8 V( T  D
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& i0 R9 W/ C9 p, o8 `) M# s
I上海交通大学硕士学位论文 摘要# `& N# g3 j* A' D% E. O* w9 ]
进行了验证。
" C4 o) o2 O1 G( G+ x与其他同类系统相比,本文工作具有以下特点:
/ h; b$ e2 m/ f# ?# i$ a/ E1) 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' M2 a3 |) Z+ w# E( `
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
+ D  ^2 P% F" x. P6 z. b1 J(Adaptive K-means,简称 AKM)。实验结果表明,AKM 算法具有对待分
1 P  I" E2 G2 w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5 B8 e1 @: P  H) ^! ^
数目 K 值等特点。0 F4 m" i  N0 O# q
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8 z7 }& h( O7 d( V
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
; r( G6 {# D! p+ i& f7 H# K(Adaptive Random Forests,简称 ARF)。实验结果表明,ARF 算法具有删4 W9 N% \, ^9 O9 J, ]& F  }
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
+ G* K  h6 j# ?+ S1 i等特点。
; Q' E# j8 [- e3) 在 AKM 算法和 ARF 算法的基础上,设计实现了一套基于 Spark
: y1 ~: B$ q" ~& ~) N8 |的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
4 A  a' B" l# P2 J2 o0 PSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模" ]: B  K5 C1 \/ R
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,* g2 @1 X0 _1 L! I9 b
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
4 Z8 _) \* H6 ~" Y' E" o( q的底层细节,降低了使用门槛。0 b, p/ v4 \- y/ H& l/ {5 N

5 m' J0 B& a& X9 V2 m  p" Y/ E: v6 n4 A6 s

基于 Spark 的机器学习应用框架研究与实现.pdf

4.22 MB, 下载次数: 0, 下载积分: 体力 -2 点






欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) Powered by Discuz! X2.5