基于 Spark 的机器学习应用框架研究与实现

杨利霞

& \5 p: R& ?9 G1 g基于 Spark 的机器学习应用框架研究与实现


0 c: h8 i: }. h8 \) Y. C  v, c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 F4 F* ?# H) ~" C1 @5 |+ x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，
1 l. `1 P9 x1 QK-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
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
0 k% H* ?- U$ u2 C1 v- N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，
" u: `" X$ U7 \* S) |" K+ i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
. y5 A; ]! W; a5 f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
些问题提高了用户使用 K-means 算法和随机森林算法的难度。
4 f! b- z; _+ w: W# ?6 w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
* [, Y) `' j, ~8 ~5 K( M机器学习框架的应用门槛较高。
! e6 P$ _  U2 [" {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
% Z+ b  W2 b8 w, b/ h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
; T& W; P( R1 A9 W7 V1 \# V0 r. D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
; x& x4 }$ c9 h. N  @' k进行了验证。
+ l  |. c/ I! U1 a与其他同类系统相比，本文工作具有以下特点：
8 L( d. u* z7 V3 K& u1) 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
( e9 v3 y3 T4 d: i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
1 i9 O+ i4 G5 R6 T" n' [2 x% E! 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
数目 K 值等特点。
: ~# w. R7 W: G0 o; Y; x, V4 p$ N" U2) 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
- E2 E# l3 N, r3 G6 l$ b(Adaptive Random Forests，简称 ARF)。实验结果表明，ARF 算法具有删
3 G* M5 b4 N6 m2 X* j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
# P% ^/ l6 P$ o; K0 s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
的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
6 o% ~  h5 k5 X7 F1 qSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
# O: v0 p6 D9 g$ z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。