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


: Z; P. i7 @6 W- N( [4 C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
# D2 k7 y* {+ K  a' ]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
( Q" ?. g7 O3 ~$ ?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
) s4 z4 C0 g" x7 Y( b" E. A8 o$ I6 p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
% ~, W+ [  k& u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 v3 `/ l  x8 ?" {/ b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
& G9 e0 v9 ~1 V$ h& a2 u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。
3 d' X4 G* V4 o6 ~8 r: d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
) w( Q9 s# y, m$ }- _/ J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。
$ n# O8 C( b  M, 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
9 G" x: g! j) K! R0 }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 C6 s' `' P- L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
# w9 f1 A* p) u/ v7 ?5 a$ Z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
: x$ N4 W5 `$ I7 U; L( t, `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
7 n- `- ~2 j3 D4 w1 X3 uI上海交通大学硕士学位论文 摘要
# \9 O0 N, F. m8 J; y进行了验证。
与其他同类系统相比，本文工作具有以下特点：
9 P4 Q% v- d5 i4 J& C7 s. f# Y1) 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
: M3 V" c: ^% p% P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
  m2 x' ?) N. A2 @( g(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
3 n: B/ _; J# j3 `! q; j数目 K 值等特点。
- M( x" ~( U  t) d/ A, R2) 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。
3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
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，
, q0 E! `6 D! ?( s. u$ M) E7 K6 j, n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
: G, [$ d4 V% D# w5 Q1 Y2 N的底层细节，降低了使用门槛。
" n3 n1 L& g% P  _1 u; t- \

$ W1 T0 T- F9 A8 g7 @- Y4 S. v