基于 Spark 的机器学习应用框架研究与实现

杨利霞

' c$ r1 ~% U& B& m8 R* {1 F基于 Spark 的机器学习应用框架研究与实现

4 J; Y+ C8 i8 X1 _5 h
: H5 i+ D6 ]9 g$ t& ?& 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
3 m5 D3 C: W" Q4 Z6 }0 u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，
2 L% t' m* X6 b  B1 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
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
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，
( V# Z: s1 ]. ~: f2 l1 J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
( n  X# Q. Z7 B8 X) A6 b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
8 D6 k- E0 e' O% \' O& w些问题提高了用户使用 K-means 算法和随机森林算法的难度。
6 G. E" Q$ T! J& I8 p, x. k' 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，
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
; i9 L. I$ n9 _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
机器学习框架的应用门槛较高。
  \- J8 \  ?" @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
* x) j7 f1 `, {+ _/ q, N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
+ ]& N0 j3 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
: N" k$ [; [0 a  Z1 z0 L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
4 L8 U5 G4 U! a) p3 G/ i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。
6 {$ W* c* }" i. N! ]" h与其他同类系统相比，本文工作具有以下特点：
9 O  k1 d0 c4 m+ S: E/ o* M1) 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
& B1 E$ R' R" K$ o: C& f(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
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
2 O" \0 V- F; e* j+ z& h# [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
+ l! N' V) B/ o* F" M: t(Adaptive Random Forests，简称 ARF)。实验结果表明，ARF 算法具有删
/ N( t5 p# [! y: C' e; D! o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
  L" q( S6 }" a$ u% T等特点。
  z* X" t' ^) ~) G7 Q1 I3) 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
6 d: I8 ^( ]* Y+ B- }/ J# I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
: i. F; C8 O+ r3 \- Y+ |的底层细节，降低了使用门槛。
8 E- q9 E; b7 x7 X; B1 j& ^/ T) _
" K4 z0 t& g4 }; d- v% e