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

' U( U2 T; M% k% L6 u
8 h, v4 C# l: y$ i  w0 c3 X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，
1 v- z; h0 _. `% r; w- R* w$ fK-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，
# V+ g, m$ X+ r3 A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
; _9 t* E% g7 r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
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，
" q: K% g7 F( i! W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
/ y6 F6 S) y  e% E3 W- k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
" l+ O! r$ D3 n1 P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 g" o1 K. A" w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
# t  X& @. o4 {2 }# T, P# p6 h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
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
- l) m5 |* [! l" s1 |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
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
' A* W2 X8 }; `" z/ F) _进行了验证。
; M6 n' T0 y7 ?1 C; N* E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
! E3 ?6 b3 ]: ?# [3 J! w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
数目 K 值等特点。
  b% V  o/ b9 o6 l2 D5 x+ a2) 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 i2 o3 H/ c! d6 g; S/ h" u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
; n, z0 T' a3 [(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
% f- S( O! @) N2 v! H; M1 jSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
/ c$ @- u* O) U* R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，
- p8 J7 q; f& R$ q: ]4 j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
4 l: R  p0 B# T) U* Z8 @0 F的底层细节，降低了使用门槛。