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
$ {. K  Z: [1 p8 ^; B! W* R
* T* L  W7 |9 j5 B8 d0 N
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，
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
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
* e/ X- p9 P" |% G+ |; X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，
6 c: K- L3 T+ {+ C% `+ U; Z- G0 W( 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
! n7 S+ R" T' p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
/ |1 _2 u& {: _, m* |& w7 j0 K* R些问题提高了用户使用 K-means 算法和随机森林算法的难度。
& k; [9 Y' N5 }2 G; E1 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，
8 @7 b1 e3 N) [' E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
. O# _6 m  l2 l( M/ w$ {; d机器学习框架的应用门槛较高。
2 H7 E, n. ?# y8 o4 w$ f8 W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
0 k8 Y# e" a9 p$ 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
) v# q/ p; ~, O+ ?7 d6 _2 f& b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
$ M6 O! x' N9 {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
3 k7 ^$ S( o7 m, J5 {( h8 c: f/ [: h进行了验证。
5 Q  d( d+ ^) G3 G6 e与其他同类系统相比，本文工作具有以下特点：
* d5 f- ?9 A" d/ v% m# ?0 V8 f4 E) 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
& o9 n# J6 x+ f8 f# ~% ~) B; r(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
1 I+ H! M$ X' d9 s$ j数目 K 值等特点。
1 G0 z$ }2 x- q5 z5 n2) 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
7 Y( L9 c, ~9 Q( S, i' b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
! L2 g7 j0 f# d# D+ ?(Adaptive Random Forests，简称 ARF)。实验结果表明，ARF 算法具有删
# R4 M; d' R; @; `% {8 W; W* Q) i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。
" R1 a- W/ m$ o/ u* I, D# `3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
9 `$ U( C1 R* o, a8 ~" L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，
: J( T# W. h( h9 m) K( @) B) U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。
% `* t" a" p8 N0 N( ~