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
2 e7 A, e* w0 i- X5 b
0 W: I2 c. R4 q; ?& H
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，
7 u( O0 p, h/ H5 LK-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
! U2 T6 i0 m5 Y! V+ [: S8 F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
2 m# l2 f/ J5 Z0 d/ @/ T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
$ I% v( v3 D, O% }, J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，
5 E# X9 |( |0 t$ D8 l3 T% H! {5 w# o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
. ~/ O; W/ h" I2 Y; n% A- 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，
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
& g& b- h# L0 h2 I7 d9 W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
* t% M6 t6 z) Z) G4 }/ c. H) O5 b% ^$ G; g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。
3 O8 c( o* `0 q# b( i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
3 r& ?6 h4 _3 n) y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
% l# t" t* Z2 Q3 t- g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。
" d/ L" W' F. N  k( ?6 d8 k* B7 \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
. D! U- v. ~4 V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
% E$ [/ ?! u* {: E: i$ D$ T(Adaptive Random Forests，简称 ARF)。实验结果表明，ARF 算法具有删
' t% N3 V: e( M7 D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。
$ W3 P, c# d# X' A  j' l3) 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，
- u6 z) ~2 u+ b: G# I9 X% O7 A7 P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
- G) |' v/ X' N7 [0 r5 ?' s6 b的底层细节，降低了使用门槛。
1 j: ]5 h( k1 h$ R1 n4 M
% _' J! A5 L* {) \( ^4 P% F