基于 Spark 的机器学习应用框架研究与实现

杨利霞

2 p. b# a) W7 F基于 Spark 的机器学习应用框架研究与实现
& L7 N+ q$ M0 o0 [

) ?; G  `; U# |/ P( `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
. s; z6 m# l' O; g- s- _, N* i4 A: M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，
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
  ?; {& y# R4 Q2 o' o  g5 D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
: [  H: n; F' n  W( Y; a! R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
  S7 W* h8 d- r; l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，
9 k1 j8 h0 d* |3 c- I! U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
' Y7 W: r' T& k+ C8 [( V5 j+ m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
" o9 _( T& B$ f5 l; i  s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
% k6 k  S# S, ~& R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
4 a7 F, h1 y& i9 N; v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
: [- I7 b: E9 U: g) x# ?I上海交通大学硕士学位论文 摘要
! Z. X4 _5 q  {: g; g进行了验证。
  k% d6 s8 S" t1 D# b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
" x  f! V* Q2 A+ L9 ?5 L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
$ M0 v; O, q. m4 y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。
' O9 m. ]8 s: Y; ]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
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
4 N1 ?4 b9 M$ O5 B; o(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
等特点。
  x+ Z8 a4 G# t5 ]) Q2 t3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
9 G$ m- \  l1 |的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
7 J: ]* v# S0 B5 s: m! z( I. ySpark)。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
1 A0 }6 a9 Y. f5 ^8 Y9 O% {的底层细节，降低了使用门槛。