基于 Spark 的机器学习应用框架研究与实现

杨利霞

* G$ w4 k  W1 O  L' ^! [) Y基于 Spark 的机器学习应用框架研究与实现


  x  n$ V+ n) H* 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
1 ^2 q: P4 D8 p- t7 T8 c1 K) J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
7 ~  f8 C" g2 x: u- R  i3 X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，
# y, h$ l2 s* e6 W. e; t: e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 ~2 R  g2 V# R: |3 B. A( J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
5 }! {1 B' l7 c; n% ?- J( W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
# i0 u+ N6 f  h$ o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
# a% {3 I" O8 |/ w# \4 |9 H: ~: L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。
+ c3 J, h8 w4 Y3 v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，
# ]3 c" B" |* t& H4 S$ c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
# ~& _+ V" {6 b( e  T7 w9 n, Y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。
( \, E- K0 T! i, K+ t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
% U' l4 J5 J$ e; r& S* g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
* E( N# v/ V. M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
# J; E  Y+ J- ]2 ?9 {I上海交通大学硕士学位论文 摘要
+ @7 H: o- t- S( Y  F进行了验证。
7 B/ n7 x1 {5 L" i- K' Y2 |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
' K: q& q' X/ M' E- [2 q- u% f% B(Adaptive K-means，简称 AKM)。实验结果表明，AKM 算法具有对待分
; @  g* @* D8 W. A* `9 [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
; f! q$ j. {( z5 Z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
. _$ g- ~& {6 K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
: z5 v5 M& z4 r+ C8 `; q1 x7 S4 s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。
6 A; J* T, I) S% L9 \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
/ D5 ]$ o; j  w* K! V+ DSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
/ E( \+ \6 @- J, ]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，
, ]  G5 Y& W5 }+ R) o! x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。
/ I) {% Q+ C+ P