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

! e( ]1 x0 I% _- i
' g$ H3 _3 U1 T  K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
1 G7 i6 B2 t! G  A9 m/ E, g4 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，
1 {% R& \0 }' mK-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，
  h4 C2 w5 f6 N6 x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
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
# x" ?  v9 y) k/ l/ G2 y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，
3 Q4 B$ r) C6 [5 z' _  [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
. @% Q* M3 R. e! A( r8 F) P4 S. D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。
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，
5 T6 _2 `& V1 k3 S! `$ i8 Z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
( I  M6 n$ S% B+ Y% 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
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
2 p- z* g, {& M. l- a- _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
. I7 I- m1 l/ J* h5 X, a8 l* N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
8 K, b% N/ M- ^: M( h3 }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
' ]* w: _6 ]: ?% m. q$ t3 ]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。
1 m* }& z0 i. O8 j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
0 Q. P4 [+ s  o+ u; Z2 c4 j(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
  v5 B% I1 ]) [1 }4 E数目 K 值等特点。
6 e1 Z  x" z$ w0 t9 c  [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
: x; M# v% Q& P1 G" F  F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
4 G& T9 z$ v9 s, `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
7 f6 N0 ^+ V7 F等特点。
7 z  D& v; d" D3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
* |% I; ]$ ]* D+ \" X1 y的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
; C8 [# I$ y7 n+ X/ q; CSpark)。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$ r9 e( Z: }# h0 m- N; 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
5 z2 r% I  P. K- L' {的底层细节，降低了使用门槛。
4 e( N  @% a3 }+ f
. S" m7 ]2 S3 ~$ G- B
4 X2 F0 ]/ \6 o3 Z$ X! I# E: a