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
% t9 h4 C" R2 y5 B# [$ n8 V

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，
K-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
# q! V0 _7 k( q# N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
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
% F8 y& ]# j7 e' \' H: U, n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
+ e' h2 y% y) ?% R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，
0 q+ a( {5 }: C3 n2 J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。
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，
9 K; X/ I$ e4 _+ ^8 F  ~8 |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
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
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
$ @! D# l8 Y) M# I( b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
- G$ [! Y" o1 r' n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
+ a. R7 ^$ P2 H5 t' e+ kI上海交通大学硕士学位论文 摘要
进行了验证。
与其他同类系统相比，本文工作具有以下特点：
+ e  H3 w6 V3 _$ Y# r1) 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
- f( f! ~! Y. t: 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
(Adaptive K-means，简称 AKM)。实验结果表明，AKM 算法具有对待分
; R; K8 h% I/ ^7 e  Y4 i: I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 t! n0 X, E$ B数目 K 值等特点。
2 p1 }$ p" M4 o/ d" Z7 @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
/ l$ g7 _. Q& i2 L6 n) v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。
  Y+ q" D* d0 h3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
% c$ W  }9 L5 o4 T, @4 `8 ^的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
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
9 `3 C* [" }2 V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
4 ]& \: X) @7 Z, k的底层细节，降低了使用门槛。
3 e. L0 Q7 J. l
+ q6 p# H) u5 \. N9 q9 f
' N* t% f9 L2 f; W% A, s2 `6 Q  Q