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
) y8 [! M4 E& n1 c; ?, w/ I

. ~" u0 R6 z) T' |. Q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
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，
+ h) |, N, B/ I: b# |( c. h" L* i* Y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
. w  A) R  k+ i3 g& d% {9 X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，
, \, a6 `3 @: f" k2 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
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
* c+ O$ E5 y5 l9 s2 `: F# T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
7 n4 b& [/ p4 Y+ y# L# m; ~+ O! m, f- 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
5 q! ^3 p3 j/ k) ~! F" c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 N5 k, r" g6 W6 U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
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
) n7 F' I! j7 K( J- Y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
  N/ g& u& V9 tI上海交通大学硕士学位论文 摘要
9 E- ~4 \+ G1 U4 p! f1 P进行了验证。
与其他同类系统相比，本文工作具有以下特点：
; R! r4 J; f$ @) f* f- q4 u1) 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
% j0 }% k9 J# a; N6 f8 B6 v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 G4 @. Q  m$ V- o4 N: r(Adaptive K-means，简称 AKM)。实验结果表明，AKM 算法具有对待分
- |( A: P8 \. z" B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。
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
& F6 s- Q: Y. a) Y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
+ G1 g' }6 T( ~2 @6 m" E, X9 t(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
+ a( V4 k' e) |; l! G3 s' m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
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
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
( @- G4 ?. [: y" r# g7 y的底层细节，降低了使用门槛。


) Z2 q' X6 l/ |! e2 q