基于 Spark 的机器学习应用框架研究与实现

杨利霞

$ g6 p5 U9 l: V* I5 I$ N7 }- g基于 Spark 的机器学习应用框架研究与实现

& J5 R& s" a- ?# v
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，
( |: W* N# u. b0 L2 |/ c4 z% w5 sK-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
" I9 X, Z) [7 ~6 C& h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，
/ u3 S/ a: |8 b3 Y9 |* K8 c; n- f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
  T; ]1 {( J/ J$ d2 K3 K% c8 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
% _6 U: q5 n$ X: J: J* D9 z5 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
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
, l) k- `" _2 v5 Y5 s  I! U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
5 o1 b3 j! `, [# ]1 F些问题提高了用户使用 K-means 算法和随机森林算法的难度。
: |& d; F0 i! s- |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
) }0 ], |$ H8 n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。
$ z  b+ t6 p* Z. m3 W4 \! q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
3 N7 X: f/ J% T  S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。
5 O% a7 o- y( i7 T2) 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
* ?. R2 g# A+ ?8 e: |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。
* t) w- e' ?- [6 n" w3) 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。

+ f; H6 `; L' K' u2 |2 D7 N