基于 Spark 的机器学习应用框架研究与实现

杨利霞

0 u/ ]; ~% k8 o( A基于 Spark 的机器学习应用框架研究与实现
7 A% k8 v4 }' x2 b+ C4 @! A
$ N3 w* }; m0 e4 Y+ s- P
! i1 z8 V. x; @. T* y: _7 d8 N9 u8 k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
5 k# W0 A! z  M3 |1 |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，
8 B+ V, A# l! CK-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
( O. Z2 G1 ?3 W" }4 i$ e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
2 i2 S+ S' g& f1 C; o% ^2 A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 C" P3 L# U! z" O' y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，
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
; ]6 S& t7 q8 T9 y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。
' ]; J8 r1 {& V% 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，
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
  |) N! g  k0 k5 k( @. R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
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
3 I; ~0 i6 j6 n/ V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
$ a( w$ F6 h( k" n8 J1 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
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
" s7 O: Y  C7 O9 t8 c5 NI上海交通大学硕士学位论文 摘要
进行了验证。
0 |, ~3 U9 r9 ?9 R1 M+ o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
3 i3 Y! g- Q  C2 X& }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
! ~$ I$ M) E: B. x6 {; i( 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
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
$ T. W) ^6 v3 S4 X9 J; z$ Q(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
4 F8 I3 j9 G( i+ K等特点。
  f' ~: X3 \& q3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
4 q$ ]5 H9 K7 J& N$ M+ e( i0 ]3 C8 K4 S的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
& r: R! J$ c, BSpark)。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，
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。
$ [3 a6 [) H: e" e
: g. v; r4 L7 }. j9 f