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

  x: n4 f- ?  V: x% u基于 Spark 的机器学习应用框架研究与实现
. S/ t: H/ y- V. H  u7 m
8 a: q) M8 K; s: G% b5 D1 H
- V) X- b0 o; [0 b( r6 q( F+ E7 \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
! v- f: H  }4 d  B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，
4 F2 }$ X  K3 vK-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
/ c9 d1 Y& j: ?. ^# c/ P1 l. Q* J# D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，
& w; ]) k" |  v# O0 r$ o$ _. I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+ h" O1 L8 s1 i3 N. j  Z, s
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
% R* f. s$ ^2 ]1 c7 j1 Z1 g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( m8 g0 h' M  n0 y
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 c$ D0 }" t( [6 N" g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/ |* l# ^  c  v) p* R! V. ^/ Z0 m/ V  P
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' u8 K. [& U. p+ G( B: L; i( M) P
些问题提高了用户使用 K-means 算法和随机森林算法的难度。
7 {( p/ g+ F, }; m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，. p6 D& S7 \' z0 u
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  H$ q2 o: `1 _+ C# o. B& ]
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; D3 F) \4 t) h6 |5 }: ?$ B
机器学习框架的应用门槛较高。
9 F9 O: B/ [5 _1 F, c7 ~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$ R3 n1 k" B1 c4 `5 P) a
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
9 V  l# s& d# |0 c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% u$ t* j  W8 |3 {; w& [
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+ _2 c: U* o5 t* o
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
8 N. a  ]% T. I: ^6 j4 y" [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" j5 n( j) r9 m8 u2 iI上海交通大学硕士学位论文 摘要
( w) R7 F' q8 E3 [  l: |; L. o进行了验证。
  i; C, P1 V8 S* I; J$ u与其他同类系统相比，本文工作具有以下特点：4 u6 z4 `. X9 Y. k. Y& j
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2 ~( H4 u/ H8 o% x8 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* ]* V3 S1 u2 i1 Y
(Adaptive K-means，简称 AKM)。实验结果表明，AKM 算法具有对待分- [- |4 S( z: F1 e! x
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" L1 y+ m$ K, [3 a
数目 K 值等特点。
2 |/ d7 q( ^' J* @9 g2) 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
# d  l3 B8 h4 N4 K0 l3 |" [; d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
' [1 |6 U$ b$ ^% V6 D  p7 Q+ Q(Adaptive Random Forests，简称 ARF)。实验结果表明，ARF 算法具有删
  g1 `. ~# ~) M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
/ }4 L' T& t# m* j, V" e$ t* q; t4 P! L等特点。! F3 Z& j+ ?( [4 _) W- E8 m/ A; x
3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
' L' @$ p" {5 B# T的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
. c1 ?3 h4 k8 h' P$ c" ~0 v/ @# aSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
8 L1 o- k3 Y: x3 I! e: c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，1 A. R* I$ F% @8 {
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9 @! e( m9 A3 l6 n3 G
的底层细节，降低了使用门槛。
+ J# S" {+ k# ~" }1 m1 D5 \& R9 [  b) |$ |0 G

7 t  n/ L! f- H# m

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