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
' E$ ^9 |+ q, W  v
/ i" M8 |' V. `1 O; M4 f; @
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，
! f' i4 T- C1 X; a( Y3 T/ nK-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
9 _8 I" B( [& E2 f+ v" J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
9 N" G5 s6 D, W1 X/ ?7 E: k: I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
% J$ u  ]7 v7 H( c# c* S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。
- K9 u& w# |  i/ U( D8 w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。
: ]4 I/ B, ^. \8 r, ]* Z5 y. l3 {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
( j$ X! U+ K! Z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
) }; P5 ?- G* `7 d" Y, Z6 d( k3 _" Q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
8 n1 q  e9 t! f1 |! Z2 y) V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
. X" B/ P' n3 Q9 oI上海交通大学硕士学位论文 摘要
进行了验证。
9 j  L/ Z& L4 \" [5 t与其他同类系统相比，本文工作具有以下特点：
+ {' e: h( m. J5 T$ C; }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
' q/ h+ ~: r  v- J6 Z; K1 A! j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
9 ?" Z  B+ q6 i1 O( P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。
4 h8 [3 ]. T2 Q5 L% o$ {- 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
5 R9 u3 {  Y) o: o& N" \) Q0 R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
等特点。
( ?) t* w0 X7 I3 e8 `3 @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
/ B( j: l' c4 G4 V2 WSpark)。AMLF 框架具有向用户提供统一的数据访问接口、机器学习模
  ?! C$ F' L" R  k, M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，
- V& e9 Q) q: ^) y- ]% h0 ?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) P% \+ f2 |6 ?" \的底层细节，降低了使用门槛。
$ U( t% H9 w) f; J) A, }" A