基于 Spark 的机器学习应用框架研究与实现

杨利霞

- q2 R+ v- L( N: }3 q7 ]4 Q5 |基于 Spark 的机器学习应用框架研究与实现
3 G' R. x& ?6 ?% x

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
% P/ k. B" J5 d" ]8 B7 V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，
0 s  ?# t/ L2 KK-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
# J- T8 D5 G# e$ l1 r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，
- {+ O" Q* X$ [1 n, H! \7 Z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
: z( Z4 a3 W! v; Y/ Y  ?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
* D+ H* x1 V% I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，
$ h6 y) b; a* E  U! C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
! F9 D4 E3 I5 e4 q1 e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
7 y0 e' J+ u' u# X: ?) E/ a些问题提高了用户使用 K-means 算法和随机森林算法的难度。
2 j2 o, [  i9 A9 a# V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，
4 i! J% P7 G, l9 T$ C9 R* k0 |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
机器学习框架的应用门槛较高。
/ B6 O! x6 z4 B' L/ L+ N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
3 a8 r& x4 s$ \6 ]. i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
. {9 ~$ z' M7 }( j4 y2 z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
4 }) U& Z  Q  @0 m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
0 K0 V) y# ^, H5 J/ R0 D4 I5 w/ {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。
与其他同类系统相比，本文工作具有以下特点：
3 [! B) R% s2 z$ ^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
4 ?5 j# s- F1 ^( W: p, d1 Y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
  P# f3 x0 z" P$ l4 k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
8 Y+ y& n# N! `- b, y6 Y# y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。
4 `( O( l0 J7 b" H  M3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
$ U$ M2 R. a" N4 S6 P的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
' Q3 ]2 q% \- U: h9 H1 u1 h! ?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，
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。
+ q1 h9 H. w: _

% Z3 n( U% m! m, M