基于 Spark 的机器学习应用框架研究与实现

杨利霞

; t0 [" E$ ?! E0 ~: e基于 Spark 的机器学习应用框架研究与实现
6 P9 z1 J6 J: N* f
6 |+ s' z& W' Z& o& b9 F* 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# }; K9 J' R& K3 A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，
+ v7 L/ {/ r! G# V% X4 {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
  `& k9 i" z2 G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，
. n) R& a( e0 w' c) G6 J. ^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
* P3 C( f+ K- d' R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，
5 D0 n" e$ b0 @# j0 [/ o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
# Z5 E! I0 ]: [" @. n1 a机器学习框架的应用门槛较高。
6 ]. E6 }8 ^& j* A' l- }% j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
/ p( F( L- \" C8 c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
/ U) R3 M$ Q  a- t7 [1 e4 L9 R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
  Z# X! G  R+ ^/ fI上海交通大学硕士学位论文 摘要
! y; i7 T* ?* V进行了验证。
与其他同类系统相比，本文工作具有以下特点：
, D* |+ ^) n9 Y# Q1) 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
; w6 n: t5 _# K+ r* x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
& x2 E9 Y( t5 ^0 b$ R/ p(Adaptive K-means，简称 AKM)。实验结果表明，AKM 算法具有对待分
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
3 M! i+ ~4 B# I  L, H- O2 t5 S, r3 \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
( t1 _% b2 [3 z3 K" `4 ^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
0 |- h3 ]/ F# G7 U! D2 V3 S# l( Z. U(Adaptive Random Forests，简称 ARF)。实验结果表明，ARF 算法具有删
: v% S* d& @& j- u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。
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
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
' h  k9 f, y: j: w& Z. p9 \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) t" ~2 c% c( e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。


# s4 Q; i+ h; t' |' X8 J