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


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
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，
: G* ]& {+ Q9 M) K3 v$ Y' p/ N% GK-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
3 U$ j1 N' o1 L0 y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
# E) T2 F5 M8 W) U; U, m# }( F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
! i( A- j2 @3 {% u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
5 x% U3 S) u% l2 d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，
. [! Y# i" k+ R1 M/ i3 X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
些问题提高了用户使用 K-means 算法和随机森林算法的难度。
/ ~/ s* ^+ ~: \5 d8 f- v& 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
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
# P) v- j5 n/ @% j: |- K, O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
) u! K( I1 `5 {) H" ^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
. i4 Q( u1 O. \6 `, x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
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
$ p; p; t0 L/ J2 ]# A! ?, LI上海交通大学硕士学位论文 摘要
6 Y5 k6 ]: p4 p) O4 p% G2 h进行了验证。
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
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
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. [( Y, U0 ]8 p0 a: P5 v数目 K 值等特点。
" ^& P9 \% ]& \) I6 X3 H2) 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
4 }  a: S* V- \6 v# L! d: ]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
: K5 \/ i2 e8 {  x* W. @" p7 n& ?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
" O) I/ B8 `2 W8 K; D2 Z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。

  s% v  E, |& o( A: e: c( l