基于 Spark 的机器学习应用框架研究与实现

杨利霞

$ Z4 j2 b$ r) e" k+ v* o; {7 v基于 Spark 的机器学习应用框架研究与实现
+ ^- X9 i" z5 r% r" r, w; 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，
# v0 y9 |! U) U% WK-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
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
9 U5 q. D- Q0 A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，
/ a" w! K9 f+ P$ H5 o# _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。
6 K7 y6 d/ n1 m4 m# M* S. v6 o+ B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，
7 T$ v1 q/ p" W* A4 N" f& x: ~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。
9 M2 R( r' V7 O8 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
% I& n( W' b& e- ]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
0 d2 C0 h# R8 Y. t, J$ P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
( G7 Q: L' |0 A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 K: v8 a5 k$ x+ k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
进行了验证。
3 P: c- H; w3 ^8 h: B( r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
% L$ C" M/ f* U; 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
(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。
, y* w1 v7 d% S2) 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
( M2 D9 U6 H  q2 w; z  f" Q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
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
( L# p9 G+ I. u. Q. V' G$ ~, A等特点。
2 C9 Y7 S& n) {0 A4 u  {% |, z" j% R3) 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 ?: X. E2 d# [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
& T- N) v4 U6 R! V2 }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
& T. c! ?4 h4 g4 e# R* m4 W的底层细节，降低了使用门槛。
8 e* l( o; W$ |& `