基于Spark的分類算法并行化研究與實現(xiàn).pdf

1、互聯(lián)網(wǎng)已經(jīng)深深的融入了人們的生活之中，人們的日常行為時刻產(chǎn)生著有用的數(shù)據(jù)，對這些數(shù)據(jù)的快速處理并獲得有用的知識變得越來越重要?，F(xiàn)在數(shù)據(jù)挖掘已經(jīng)走向了云計算時代，云計算已經(jīng)逐漸取代了傳統(tǒng)的單機(jī)計算。通過使用基于云計算平臺的數(shù)據(jù)挖掘方法，系統(tǒng)可以準(zhǔn)確和快速的從海量數(shù)據(jù)中挖掘出有用的信息。數(shù)據(jù)挖掘中的分類算法是進(jìn)行趨勢預(yù)測和個性化推薦的有效工具。本文基于時下最流行的開源云計算平臺Spark，對數(shù)據(jù)挖掘中的分類算法進(jìn)行研究，并選取了分類算法中經(jīng)

2、典的K近鄰算法重點研究，對算法進(jìn)行改進(jìn)和并行化，并基于Spark進(jìn)行實現(xiàn)，然后搭建了Spark集群，進(jìn)行了相應(yīng)的實驗。
　　改進(jìn)的K近鄰算法主要是針對傳統(tǒng)K近鄰算法在訓(xùn)練階段不做任何處理工作的弱點進(jìn)行改進(jìn)，通過在訓(xùn)練階段對訓(xùn)練數(shù)據(jù)集進(jìn)行分析，找出一些特征值，對訓(xùn)練集進(jìn)行預(yù)處理，從而減少在分類階段需要比較的訓(xùn)練集樣本，從而達(dá)到提高算法運(yùn)行速度的目的。然后針對Spark云計算平臺對數(shù)據(jù)進(jìn)行分片時使用默認(rèn)值與計算節(jié)點數(shù)目不匹配的缺點，對

3、程序進(jìn)行優(yōu)化。在默認(rèn)分片情況下，數(shù)據(jù)分片數(shù)量和計算節(jié)點數(shù)目不匹配會導(dǎo)致計算資源不能充分利用，引起運(yùn)算性能下降，所以本文對程序進(jìn)行優(yōu)化，針對計算節(jié)點的個數(shù)對分區(qū)數(shù)進(jìn)行相應(yīng)優(yōu)化，使分區(qū)數(shù)保持為節(jié)點數(shù)的整數(shù)倍，從而提高計算資源的利用率，加快算法的運(yùn)行速度。
　　本文選取了UCI的機(jī)器學(xué)習(xí)數(shù)據(jù)集，并對其進(jìn)行擴(kuò)展以滿足數(shù)據(jù)量的大小要求。實驗中對比了單機(jī)條件下普通K近鄰和改進(jìn)的K近鄰的算法效率和準(zhǔn)確率，然后測試了基于Spark的改進(jìn)的K近鄰算