基于 Spark 的机器学习应用框架研究与实现

杨利霞

+ H) o! P" Y& n! W9 k1 d基于 Spark 的机器学习应用框架研究与实现
1 f) Q) c. B2 k6 b$ G; G" B& V

- i! U5 K! `- V/ a2 F0 Z& G8 k( v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
1 u+ y7 T/ y1 y2 \# H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，
/ P& z- _  e% U, ^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
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，
' K. z' }% S& z" o5 [$ }3 `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。
( [/ R: l7 f8 j( v' n$ U  e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，
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
- [+ D8 M; ]1 ~$ G- c2 Y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 i. v( N* s; K' L( X5 U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
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
( y$ {3 {  ^0 B% ^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
( ?+ @- H; K9 n; _6 C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
I上海交通大学硕士学位论文 摘要
% D. c, L) c. v6 N5 z8 i进行了验证。
与其他同类系统相比，本文工作具有以下特点：
; Z- \( f0 H) F) e" B1) 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
, c/ H: H* N5 D: {" X6 A0 m+ R% Y3 m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
6 Q. C$ e. F6 l2 w, k(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
  {/ r8 |- L- ]1 q* V6 w- y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
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
/ \* l$ X% ^3 `. I/ v(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
$ i0 ^0 E, v; Q等特点。
$ J1 J& R9 Y1 E3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
, Q. V1 G9 I$ U. C的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
  j  V6 W, V& P7 oSpark)。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，
1 X- i# J8 j. R: D, |  j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
  [) }$ h+ ^4 k0 v' s" P! I6 E的底层细节，降低了使用门槛。
% [. B9 j/ [9 i! I