基于Spark的机器学习应用框架研究与实现

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， 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， 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。 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