基于 Spark 的机器学习应用框架研究与实现

杨利霞

5 S8 z8 O9 n. }$ _2 V, l5 E" L: b  O基于 Spark 的机器学习应用框架研究与实现
# {3 A& t# F9 g; w( w

! E3 ?, \" u( ]8 ~* R0 p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
4 ~* W1 H4 k, u# S% S! 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，
, |9 Y5 g1 o2 R2 a1 \( aK-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
- o9 C! B$ f3 E8 I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
3 b) u5 v7 F6 U# j; {: y: r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! u3 V$ M+ e) f8 G( J6 c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，
* F8 w. _0 i, I3 s0 d' a1 @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
9 ?& w0 t: H# v1 P5 c# X些问题提高了用户使用 K-means 算法和随机森林算法的难度。
6 b  i- g+ S. R8 j' `) l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
, D% o7 A* q( A5 i7 Q6 B- |0 w机器学习框架的应用门槛较高。
6 K- S( |- k8 E; a" l& a$ P) `1 a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
/ U' ~! P4 x; y2 M# J# r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
3 X5 l1 }2 f; M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。
: i/ Q. V; i( F% Y  t- z0 D8 m与其他同类系统相比，本文工作具有以下特点：
) U4 \3 b, y* ~% f1 n1) 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
7 A' t2 o. ?2 l3 |(Adaptive K-means，简称 AKM)。实验结果表明，AKM 算法具有对待分
: u4 C( x7 r  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
$ ]& M+ ?# q! B数目 K 值等特点。
4 q* F- G4 z' L0 L( t: |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
, o; |; h( v6 y+ r1 j; y(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。
. O$ x" s+ t8 g5 e8 S  l9 x0 ]3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
: q/ j( p/ Q$ s& n! M# ?% p4 |# Q" @的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
/ z" W9 V, y; j5 }3 _) b* N/ `0 FSpark)。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。

$ v1 M* I1 ?( k7 B8 j8 T