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

* ^! @  m+ S2 \4 ~3 B4 S
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
; g$ P" K9 L$ J8 W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
! V, d8 `5 p$ G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，
5 L; g3 k6 }5 P$ n* g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
1 `: G, c" f" q$ _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
4 R6 ]' m; D/ {( s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。
! B, P. h  n! N! ~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，
' \# H, I& f) b, f! f$ h) {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
! g( o" ?% g' Q* C6 L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
# u- g+ I3 }; T9 L! ~. ], d6 v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
2 N2 H0 j: E% m) J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
$ b/ U' ?2 |2 Q2 h9 L2 q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
$ n* [' H) r8 J. h5 e) b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
' m9 P: V) e% [; @6 i进行了验证。
% O7 V$ l: M( p4 Y6 {与其他同类系统相比，本文工作具有以下特点：
1 q4 M; N9 _0 ^# e* y+ V1) 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
7 u' n4 U' T# y0 Y1 G! G(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。
6 K' M2 b0 n8 M% [& H2) 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
' k# X# O) s3 r8 T0 c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
. _4 N. W; T8 U$ l% Q# @( u: Q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。
" s4 ^& @0 V, Q$ r/ a3) 在 AKM 算法和 ARF 算法的基础上，设计实现了一套基于 Spark
- y0 _  b  `# a' p1 J的机器学习应用框架 AMLF(Adaptive Machine Learning Framework on
  a$ Q8 t6 `1 F8 n' _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
* W( U. s5 `% H的底层细节，降低了使用门槛。
. p. H! }' ]- `1 B* D( }; x) [

( q" r) V& @; }  }