基于 Spark 的机器学习应用框架研究与实现

杨利霞

6 j8 N, h* V1 e" d5 G3 @% T; U+ ]基于 Spark 的机器学习应用框架研究与实现
/ h+ q! K" a& A7 D

9 X: @6 L) t" O: [* ~% c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，
  @: j/ s+ |% b% j- m/ g; gK-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，
. u2 d. g! E# V' Y0 \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，
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
; O& p" D- N) [& d. b! x/ Z# V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
, _# f4 o: ?  B  j4 Q) ?, ?1 O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
8 S# O. J8 K+ _9 U4 T' `机器学习框架的应用门槛较高。
0 H2 f) e0 }* V5 c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
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
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
) o) m2 ?: W+ ^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
: ~% y$ B' Q. @* P/ eI上海交通大学硕士学位论文 摘要
# r- j2 _% |- U7 Y& @" q! O% M进行了验证。
; V1 P. P7 [4 z1 S' Z与其他同类系统相比，本文工作具有以下特点：
, x1 }) f* [$ u) g+ G1) 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
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
' z+ ]- d7 c  Y; E, R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。
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
(Adaptive Random Forests，简称 ARF)。实验结果表明，ARF 算法具有删
$ X: g/ r  m7 x6 c. w- c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
4 P& p$ G- ?7 ]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
# C+ j8 U9 e, I$ q: }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，
" i  i" m0 e: |  t/ j3 u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。
2 }5 M, k3 `3 T" Q