基于 Spark 的机器学习应用框架研究与实现

杨利霞

. ~9 R6 Z; X5 P基于 Spark 的机器学习应用框架研究与实现

/ P3 x& P' Q% A9 k
4 S- p. ^$ w' N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
8 a6 t: n/ ^% q( G: W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，
1 q+ e) `2 n2 [) |: _1 U' cK-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
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
8 H( _7 G: A( F% {& {- y& ?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
  T3 Q' z$ @( Z; A, G! g" J6 S8 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
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，
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
' f5 g# I7 p0 e* V9 X0 ^些问题提高了用户使用 K-means 算法和随机森林算法的难度。
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
' G( e5 ]& K# a+ D; S2 S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
' q4 r' {+ i* _! v; E4 _- w机器学习框架的应用门槛较高。
  ]7 {* |" [0 H6 ?% {; B& C  X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
+ Y7 A0 |5 s* N; E9 p2 S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
$ \5 o. I" N& ?4 y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
/ n; v% k. B! f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
I上海交通大学硕士学位论文 摘要
- L0 @! f/ s% d( _+ h进行了验证。
! M8 b# X- N/ |+ C; [: k+ C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
' N+ f: g( [7 Q2 B5 N' [5 i) R(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 |( d) f% D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
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
) ^* v  c2 J2 f' F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
% {+ Z$ v) I& P1 b; m% i9 {8 s等特点。
( E# d5 _9 d3 X3) 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
2 u# e( N1 V2 }+ W) h8 `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
6 s$ T( e( p# u3 N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。
/ P- X% A9 l) k; u8 D7 h
0 ?' A( E6 o2 ?, a
8 q, N* V6 P' ^7 a) H& ~7 d  `7 ^