基于 Spark 的机器学习应用框架研究与实现

杨利霞

9 @, ^- x1 p0 }, L" _基于 Spark 的机器学习应用框架研究与实现
, N. P1 u) k7 j1 C2 M
# B8 I- U' J+ H2 e1 v. R
7 S+ X- ]1 m7 h. m# D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
9 A( P3 @6 H2 K1 x" W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
6 |! S5 N  {! [+ W8 h6 Y; h+ |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
/ g+ h: C$ {" z; q- A# E( f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
* Q* A  l; l2 `: ~& d6 j5 C些问题提高了用户使用 K-means 算法和随机森林算法的难度。
, b* k; U6 b4 m4 A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，
& N2 F" v$ D* e0 u% a) X! E0 h7 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
) g. V( \1 B  M4 v( @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
5 `2 `- b/ b# |, y( i9 }  V; W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
2 w1 M+ ?" e- d) g4 r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
" c. _: c0 J! U1 K( I/ o& o9 @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
4 z6 i5 l7 Z! [) M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
6 X, c& P5 S4 w6 Q+ v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
. ~, U: \9 Y. N1 qI上海交通大学硕士学位论文 摘要
进行了验证。
' O; s) }  P" j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
0 n0 V/ J$ |( X% r$ R8 u1 Z! V  s) C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
, O6 L% m5 j# h3 L(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
4 W  d( q1 r5 O0 P3 \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
' {5 Q! H/ p- P, @2 _7 `) a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
- p0 Z* ]6 K: \" [( K. G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
/ @; d' z% N' b& Q的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
; Y: l# H% K+ |. vSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
2 r# z3 [7 \- n7 `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，
" ?, j# W0 I. c( S' T7 \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。

) A$ J5 M- ]4 Q6 r& U6 V# ]0 X1 @