基于 Spark 的机器学习应用框架研究与实现

杨利霞

基于 Spark 的机器学习应用框架研究与实现
2 g6 K. h) L8 f0 V2 ^

( c& }* a& b9 j$ V* w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，
) }6 g0 L" i% ~5 z/ q8 |! D, OK-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
' Y5 m7 Q; Q* g3 u: Z5 b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
% Y$ a$ ]8 @; d6 K6 U6 X/ 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，
5 q' t, I, I' f) \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
/ T8 B- U' c  B. y4 V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
4 d3 ^0 X( \. S% Z些问题提高了用户使用 K-means 算法和随机森林算法的难度。
3 ^. }( ?) x" I! }2 p- j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
! S) Q' U' Z, ]" a6 e机器学习框架的应用门槛较高。
2 [6 E: N, x; j3 y: S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
3 Z5 R$ P" p) @) o# F( D( K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
7 b; b3 B& m- G2 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
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
2 d- [1 l2 r- o* D' S/ a. F7 y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
& i" p  E$ J6 x/ @; ^6 }(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
! `% I; W2 ?: c* m, E3 \0 q数目 K 值等特点。
, R' v/ ~0 G7 `$ 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
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
8 g, p: W" z+ J4 o等特点。
% H9 r: I) b3 F7 T3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
) F% K4 o2 P" j! R) A的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
6 h3 y7 r! B) w* Q7 ^- H7 uSpark)。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，
0 @: V8 f4 ]) n5 W7 ?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。

3 E; r4 m4 k0 D9 Z
" t) i, e! a! r5 J  h- {! d