QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 3424|回复: 0
打印 上一主题 下一主题

[其他资源] 基于 Spark 的机器学习应用框架研究与实现

[复制链接]
字体大小: 正常 放大
杨利霞        

5273

主题

82

听众

17万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    跳转到指定楼层
    1#
    发表于 2020-11-20 15:08 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta
    3 _+ K  ~* e$ y  I' k) l
    基于 Spark 的机器学习应用框架研究与实现
    3 l( W% i* r6 n! J2 T! l) X8 S# R- b* f  x& w& e
    - U2 D. _7 q5 j7 l/ ]+ H$ p( 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: g, n# k1 f$ d; 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,, ^" L6 O6 P: |$ I$ @* Z
    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6 M) S/ v2 p# @3 G7 D3 l
    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,
    1 N1 s6 u+ Y0 Y7 F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
    : J. k2 `- Y( B  l) j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
    $ C( m! v# R- |  {, k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# ?. N1 y9 b1 {5 V; D7 h* Q
    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,& [' H! C5 |$ h: ~- s
    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5 I% r6 M$ T. s; C* m; d, B, g
    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
    ; c1 B. Y0 P6 o: p* E/ }些问题提高了用户使用 K-means 算法和随机森林算法的难度。, T7 t8 q4 @+ [6 K/ g0 o: X
    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,
    " `$ f3 t0 b, ~/ |9 J" b+ @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( X$ b/ I  W8 i0 q# ?
    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9 ]+ [# {9 s/ E3 _5 P' D. n6 x
    机器学习框架的应用门槛较高。( y& K7 S4 \2 H: d  U7 N2 B0 L
    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' ^- G* U: J4 \' f
    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
    * K0 Y, ]* x$ M5 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
    # t; t8 B0 f- S# o. [0 Q$ 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- [, i! A/ u  j! `
    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
    * t! |/ j9 W' X. c: a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
    9 z' f7 Z# M7 V( ~7 S- q* ~I上海交通大学硕士学位论文 摘要- f! c8 u8 B% \4 b5 j) W
    进行了验证。" k6 U! H9 x, {8 ~2 A
    与其他同类系统相比,本文工作具有以下特点:
    7 Z$ }, E* H: U, I# L( ^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
    + @; ^- g' ]" e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
    % J# Y) O6 M: j# F& ^* E2 Z(Adaptive K-means,简称 AKM)。实验结果表明,AKM 算法具有对待分
    4 Z) P, a& o1 t8 B. {0 b* s4 C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( Y& S5 D8 N8 }0 |% C
    数目 K 值等特点。7 w( U* ?, K; q1 L, Q+ @' l) {
    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2 s: O4 q9 j, p  y) _2 a
    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* G' M' \; f' y& g
    (Adaptive Random Forests,简称 ARF)。实验结果表明,ARF 算法具有删
    : k# p9 T# Y, a! Q( k; ?6 W; \* ?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" B5 B8 ~0 p: A! @8 x6 P- h
    等特点。; ^3 N, U8 k; Z, [, M. E
    3) 在 AKM 算法和 ARF 算法的基础上,设计实现了一套基于 Spark
    , N/ l4 j& g" E: O的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
    9 z- @3 `% v( [& \$ ~8 [6 j7 rSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模: V; \  E6 m, n; B! p
    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,
    / x6 L: N- T& Q* B1 n! b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
    + N8 }; s! |4 \$ F2 i的底层细节,降低了使用门槛。( f* A+ \+ |6 P
    6 O1 f: @% ^! `$ U' g

    ) _# {; L# c! u. \  |

    基于 Spark 的机器学习应用框架研究与实现.pdf

    4.22 MB, 下载次数: 0, 下载积分: 体力 -2 点

    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2026-6-9 01:21 , Processed in 0.603879 second(s), 54 queries .

    回顶部