QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2819|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 |正序浏览
    |招呼Ta 关注Ta

    . ~9 R6 Z; X5 P基于 Spark 的机器学习应用框架研究与实现  m1 K3 @# |1 f5 ~; F; y& b4 r

    / 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0 C2 C4 J- N4 Z7 g/ d
    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 Q# C) K  R6 W( U: C; d6 A6 u
    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' g' D$ W1 [$ Z: [1 M" d9 ?8 A
    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,, d- R8 o0 C& e! Y
    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; E7 j  n) A) }" K( o) t8 M9 f" \
    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。# U* O1 q8 o7 K3 c/ u+ @
    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,/ n3 Z; p. G9 r) q
    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" G: z! W3 w; j% _
    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3 ?9 B9 c; C) Q
    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1 X: l) f+ N" W1 K/ H7 l
    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:0 N- R4 `, a% Z9 J4 v1 X
    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$ C# q3 I: B" I# {/ M' Q
    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" Y5 F3 _* b) E" F
    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。/ ]' T" x. m& {  G9 O% y. @( x; D8 y
    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. ?, U( q5 ?# D- o% w6 z
    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' G9 I" T8 I. X' L" Y* R1 A
    (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# x, D3 ^  w' r7 i+ U. Z$ o
    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,6 L0 e4 h$ z9 Y3 a+ g* r) X) 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% d7 {, q( D+ ^& ~/ @7 C! j. C
    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 ^

    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, 2025-6-11 23:47 , Processed in 0.374054 second(s), 55 queries .

    回顶部