基于 Spark 的机器学习应用框架研究与实现

杨利霞

! q. }, `! N* o$ v% }基于 Spark 的机器学习应用框架研究与实现

- m6 g/ |1 f$ V; u1 Z& H
$ _6 Z, N8 i3 ]6 n, b+ z6 T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，
: E( I/ W# n, ]( a0 n6 p! t1 V* 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
7 E$ `# v1 A$ i- E& X/ f0 o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，
* L" l: {9 h$ z$ H4 Z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
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
0 d5 e4 Y5 K* k. j+ K1 f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，
6 w1 E& v* j; R9 [/ P  h6 u- Y5 U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
7 F8 s" r- A2 s$ {$ n6 O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。
5 I1 h9 ?( r/ W8 {% T% j2 z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，
4 I% Y# W. q' A' {/ f7 ~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。
' M( y$ ^. V1 L8 G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
! o' \* @7 X, U$ F4 Z+ v- Q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
0 c; T0 J  V) n6 g7 N4 h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
2 t4 B5 G% P1 a8 CI上海交通大学硕士学位论文 摘要
" |# A; a2 f/ c0 V& T进行了验证。
$ |4 T3 B$ o) f- m" Z& ~' c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
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
# y; q: W7 Z+ q$ b# c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
" \) T  E7 K" I9 k- p- q6 R# R数目 K 值等特点。
7 c2 s9 l) T1 }% n4 K+ d% E2) 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
/ K2 R6 n9 U5 E) c4 j% I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
: N) C- E) u3 c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
" p9 y% `' J, ^. `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
0 {& E$ Z+ ~# B! M2 W: W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，
( R; M$ ]! ], Z/ @; l8 i0 w: y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
的底层细节，降低了使用门槛。