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

, [9 g! N. `+ a" a; p# d2 ~
! {4 \2 |, G, j& L5 i3 ~9 {3 O# 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
& t( A% C: s2 E8 k$ `3 Y' i2 b- Y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
0 R) k. p- d, i1 M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，
7 I! Q( @5 h8 H# ~# \* f% Q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
7 I& I* {4 G' i+ i! s& e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
6 J9 ~, _* n: ~) B/ s/ l& c$ \3 t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，
! d& h7 P8 \- A- j0 a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
2 }0 Z+ Y) Q, d* G2 Q! r) `1 R; ~+ i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
7 t/ g3 A3 P  L, U0 [: W8 `些问题提高了用户使用 K-means 算法和随机森林算法的难度。
* w' z* L1 @2 Y7 g- J- \, [" 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，
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
% D; U; j# m5 H& w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 j( Z6 u. y" q  T. n, ^2 V& R( a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
: o1 W: b! P; }, i$ a) a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
3 m! Z" F8 Q+ Z1 c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
: j9 i$ j" V" `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
$ k0 s2 ]1 F. k; X进行了验证。
$ e7 l* N" |/ g9 n! ~2 ~; L与其他同类系统相比，本文工作具有以下特点：
2 A7 ?$ Y; M* s1) 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 r; h) L  V) q( Y! W1 g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
8 i& T  m* _1 D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
8 n/ @( q' i% P; o% ?' b6 w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
! H/ N# }. B5 E4 a1 y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，
, C& Z8 ]/ ?2 D! y5 p9 X" t- U3 _& N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
, ], k+ W& [2 z: |) ]的底层细节，降低了使用门槛。


# i- r( O+ h4 h5 d