H 2 O with R簡明使用手記・前編
H 2 Oを見て、公式bookletとAPIを読んで知ったことを手当たり次第に覚えて、メモを取ると思って、この小文になりました.
概要 H 2 Oは、スマートアプリケーションのためのマシン学習と深い学習のためのオープンソースプログラムセットです.PayPal/思科/Nielsenなどもその利用者である. R/Python/Scala/Java/JavaScriptなどを含む多くの言語インタフェース を提供しています.は、スタンドアロンおよび分散運転をサポートします. アルゴリズムは、一般化線形モデル、素朴ベイズ、PCA、K平均クラスタリングなどを含む.
ダウンロードインストール前にJAVAを先行インストールする必要があります. h 2 oはCRANから直接ダウンロードすることができるが、CRANの中のバージョンは遅れている場合があり、実際の操作時に速度が遅く、直接公式サイトでインストールパッケージをダウンロードすることができる. は、Webページを介してH 2 Oと対話してもよいし、Rを含む様々な言語インタフェースを介してH 2 Oと対話してもよい.
初期化このipとportは自機のサーバに接続されており、デフォルトを記入しないのもそのためです. nthreadのデフォルト値-2は、2つのCPUコアを使用することを示し、-1はホスト上でどれだけ使用するかを示し、正数は特定の数を表す. max_mem_sizeはh 2 oのメモリ空間を定義し、一般的に4倍のデータサイズで最良の実行効果を得ることができる.その値は1024の整数倍、最小2 M、デフォルト値は1 g(32 bit JAVAバージョン)、1/4のメモリサイズ(64 bit JAVAバージョン). 分散システムでは、h 2 o.clusterInfo()を使用してクラスタ情報を表示できます.
予備データ H 2 Oは独立したプログラムであり、RインタフェースはH 2 Oの皮にすぎず、データがH 2 Oに伝達された後、すべてのデータ操作はH 2 O上で行われる. はH 2 Oで数千のfactor levelsを処理することができる. の輪は異なっていて,どうしても融通がきかない. 変換ターゲットに十分なメモリ容量があることを確認してください. は、
モデル#モデル#
学習を監督する.一般化線形モデルGLM:戻りパラメータと誤差分布、統合possion/linear/logistic、および多くのl 1,l 2が規則化された統計モデル. 分布式ランダム森林DRF:各予測器の重要度重み値を返し、ノイズデータに対してロバスト性が良い. 勾配向上GBM:3人の臭い皮職人が諸葛亮を突きつけ、今では非常に強力なアルゴリズムです. 深さ学習:必ずしも監督がいるとは限らない 素朴ベイズ:テキスト分類によく使われます.
無監督学習 K平均 異常検出:深さ学習のエンコーダを用いて卒業論文を半分書き終えた...... モデル構築メッシュ検索パラメータ 一例
データのインポート
データパージ
モデルトレーニング
モデル予測
次の記事では、気持ちを見て、データ処理でよく使われる関数を紹介し、他のモデルの使い方を簡単に説明します.
お腹が空いたら寝るしかない・・・
概要
ダウンロード
初期化
library(h2o)
h2o.init(ip = 'localhost', port = 54321, nthreads = -1, max_men_size = '4g')
予備データ
H2O:"R, table "
R:" ……"
// , 。。。
as.data.frame()
H2O->R as.h2o()
R->H2O str.H2OFrame()
で要素情報を確認して、変換が正しいことを確認することができる.モデル#モデル#
学習を監督する.
無監督学習
データのインポート
# Import dataset and display summary
library(h2o)
h2o.init()
airlinesURL = "https://s3.amazonaws.com/h2o-airlines-unpacked/allyears2k.csv"
airlines.hex = h2o.importFile(path = airlinesURL, destination_frame = "airlines.hex")
summary(airlines.hex)
データパージ
# View quantiles and histograms
#high_na_columns = h2o.ignoreColumns(data = airlines.hex)
quantile(x = airlines.hex$ArrDelay, na.rm = TRUE)
h2o.hist(airlines.hex$ArrDelay)
# Find number of flights by airport
originFlights = h2o.group_by(data = airlines.hex, by = "Origin", nrow("Origin"),gb.control=list(na.methods="rm"))
originFlights.R = as.data.frame(originFlights)
# Find number of flights per month
flightsByMonth = h2o.group_by(data = airlines.hex, by = "Month", nrow("Month"),gb.control=list(na.methods="rm"))
flightsByMonth.R = as.data.frame(flightsByMonth)
# Find months with the highest cancellation ratio
which(colnames(airlines.hex)=="Cancelled")
cancellationsByMonth = h2o.group_by(data = airlines.hex, by = "Month", sum("Cancelled"),gb.control=list(na.methods="rm"))
cancellation_rate = cancellationsByMonth$sum_Cancelled/flightsByMonth$nrow_Month
rates_table = h2o.cbind(flightsByMonth$Month, cancellation_rate)
rates_table.R = as.data.frame(rates_table)
# Construct test and train sets using sampling
airlines.split = h2o.splitFrame(data = airlines.hex,ratios = 0.85)
airlines.train = airlines.split[[1]]
airlines.test = airlines.split[[2]]
# Display a summary using table-like functions
h2o.table(airlines.train$Cancelled)
h2o.table(airlines.test$Cancelled)
モデルトレーニング
# Set predictor and response variables
Y = "IsDepDelayed"
X = c("Origin", "Dest", "DayofMonth", "Year", "UniqueCarrier", "DayOfWeek", "Month", "DepTime", "ArrTime", "Distance")
# Define the data for the model and display the results
airlines.glm .glm(training_frame=airlines.train, x=X, y=Y, family = "binomial", alpha = 0.5)
# View model information: training statistics, performance, important variables
summary(airlines.glm)
モデル予測
# Predict using GLM model
pred = h2o.predict(object = airlines.glm, newdata = airlines.test)
# Look at summary of predictions: probability of TRUE class (p1)
summary(pred$p1)
次の記事では、気持ちを見て、データ処理でよく使われる関数を紹介し、他のモデルの使い方を簡単に説明します.
お腹が空いたら寝るしかない・・・