基于 Spark 的机器学习应用框架研究与实现

杨利霞

基于 Spark 的机器学习应用框架研究与实现
2 n  l/ L1 m3 G/ E2 g; E
) V! u: P: m# H( h! w
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
5 D- d" K/ W+ m% d7 i4 X& R9 V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
% G0 t5 i+ o/ n4 Q: 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
/ f% y& D* u) |9 r3 g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
9 f" r: I5 S- W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，
- Y4 K. U0 T6 E$ s( b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
) H* a1 M, y. z6 _- n; K" W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，
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。
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
, J8 Z; A. H3 r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
9 F' p  M/ h) o, T. 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
3 c6 L: e& \( k! `' I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
进行了验证。
4 f. }4 i5 x3 [7 x3 v# Y与其他同类系统相比，本文工作具有以下特点：
! V# b( B: y6 _) b6 L7 {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
& g8 S% o; t$ D: n: ~* ^1 e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
% p; |9 X% w' l& `2 T数目 K 值等特点。
  H4 R, @2 w( Z6 ^, A) j2) 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
2 T; x0 t1 Y2 R2 |" t' ^: \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
. v8 y, R/ \* ~% a5 ^8 b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+ V* k2 p( H/ z- K6 @. W' n: E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
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
的底层细节，降低了使用门槛。
8 L  X; Y. X7 X0 I0 T# N
8 M" ^' B$ G" V. G: H
4 n# y( M0 _2 n( H# I