基于 Spark 的机器学习应用框架研究与实现

杨利霞

5 F3 c' m3 M5 i6 E) Y基于 Spark 的机器学习应用框架研究与实现
8 o5 I& q$ `5 }- X" E* ^
, X/ u$ B4 m- E6 d7 e+ V
, @0 I6 S+ R8 f% u/ I) H( J. @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，
+ j! a' F( @( U- a. W! z) I+ 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
# ?) |4 F5 _$ @( W: G# h& ]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
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
些问题提高了用户使用 K-means 算法和随机森林算法的难度。
2 d! X, Z+ [' z- c  y! @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，
/ t  M1 ?, l# T( h( r4 s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。
. y' \4 n- d# y2 o# ^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
7 r! N+ A  R: j7 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
: {8 P# E0 {9 h1 d  `+ x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
) b- d! N' t0 X/ b3 y$ x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
I上海交通大学硕士学位论文 摘要
0 i) E- C0 [3 q" z/ u4 e. E进行了验证。
9 i) n; g  P! h. E. V( {8 Q& Q与其他同类系统相比，本文工作具有以下特点：
4 T) R' C! K8 n+ C+ a$ i% y# c1) 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
" E0 W) e9 }9 j( l, s(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
数目 K 值等特点。
5 @# }4 }( w' a2 D2) 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
5 ^* O' C" ]$ M. ]9 s(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
; b+ D0 _$ z' f0 d; R' c% `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
7 [( r' F; _- ]8 CSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
0 A3 B2 a5 T  E8 h7 |; F9 j) {5 D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
0 x* [4 r  W: h' g的底层细节，降低了使用门槛。
6 f9 e8 I- x* x$ Y0 F2 z

% b* M2 L/ r" W5 V4 M