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
3 `! @; Q  t4 k- L

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 `! G; Z- w3 c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，
& l3 n% {9 D  A$ PK-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
, y( J: a- J9 j+ R+ Y; W1 r' N. 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，
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，
# w7 R; m( ]# n) e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
. s+ a) ], {" k! g8 y: L( Q; D! q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。
# ?9 _) O1 m' \2 ~' G0 K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，
% ]! c, f. ^! r& x4 R% S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
( k+ V) c& l4 n8 `" @+ B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
1 w+ g! w' p# s: d. T4 h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
! a3 }3 a' ^. O# ~) l  R4 wI上海交通大学硕士学位论文 摘要
. f' |( _; G1 B进行了验证。
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
7 o! |: S, g. C( T) ^; e4 h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
) |7 S, h, E8 P& F0 s数目 K 值等特点。
, ~3 ~" v" H/ ^7 a2) 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
; E$ ^& d  Y8 v) y/ k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
! m+ \3 e5 E/ B: x(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
等特点。
8 V2 m0 E9 F+ @. A3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
# c% m8 g- i# ]0 D' Z" |的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
% z' y" [2 z- R' L  jSpark)。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，
. A3 Q' H7 w/ R$ B! i; w) |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
& N1 m" `  T  Y5 W$ x0 C' X的底层细节，降低了使用门槛。
& ]2 t1 d  ~: v) ~