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
$ R7 F9 b* s5 E6 ?/ P8 w0 \+ }$ `
& n7 {+ K7 T0 m4 q- T" M$ N
6 x% z6 M1 x; M% n9 _; s2 L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
  S, N/ Q/ Y( d9 H" ?6 K( [- |$ k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
) Y8 t& p7 a$ a' g( p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，
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
8 k# \, ]( J" b, z6 H+ T; F些问题提高了用户使用 K-means 算法和随机森林算法的难度。
  s3 X9 t# S+ N. a( K+ A/ D: l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
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
; k1 W+ @3 S9 v- i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
* H) w# X  `; `) K$ G0 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
, k! ?2 _, f0 x+ A5 e' RI上海交通大学硕士学位论文 摘要
* b) h7 {9 h/ B( y4 s进行了验证。
9 f/ n+ j- ?0 Q2 o5 y与其他同类系统相比，本文工作具有以下特点：
4 L6 w/ C9 |  T1) 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
# g6 a# `& `3 K1 ~* v9 u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
. ^1 s" Q; b& t4 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
: l/ Z1 Q! t( a9 i% y数目 K 值等特点。
* e% `& n9 j- O+ L! o2) 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
  Y/ {3 x" n8 o9 o3 c& {+ 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
(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
" N5 \2 g- C6 @& J; S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
$ s0 U2 H0 m1 }的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
6 M3 L2 G1 j, fSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
: t. n! x( I* U* A; w% d. e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
( T4 \4 f+ h* |的底层细节，降低了使用门槛。
, M/ ?! l) P) W5 q! _