基于 Spark 的机器学习应用框架研究与实现

杨利霞

: O' D! Q! t# R8 I基于 Spark 的机器学习应用框架研究与实现
9 m3 p  k) g$ E6 t/ M4 _7 }

" K: |* ~0 j8 F; T9 X0 `2 ]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，
5 |/ A: j: ]& p; HK-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，
0 t& W+ B; M* h/ X% k& w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
9 h! R/ V4 @8 i8 v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，
5 ^* J' j0 Z/ ?* z( h) N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
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。
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
* L  ?2 \! A& r8 L* C. t6 i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。
3 P  |  ^& O6 h* G2 |/ G4 U4 h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
- {5 j+ h: T8 d8 z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
. N, J' z/ L: y. P( F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
$ C! Q" v- e* y3 i# k8 K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
% z4 Z2 Y# |$ y( \/ G' I6 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
3 s) u8 N9 n: A( J3 D6 R) b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。
! e3 F6 p% p0 K2 c1 e5 [, R. f与其他同类系统相比，本文工作具有以下特点：
( z; h- l# D4 {8 o4 z3 b' z; z5 q" o1) 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
# j3 f# ?; V6 R% t/ C% |" z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
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
等特点。
# c) V6 h7 R1 C0 V2 d6 S3 v3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
# m* [2 r  M# {6 d4 O/ W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: c3 K7 k; d9 G5 C- i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。