Apprentissage automatique automatique avec H2O
Optimisation des hyperparamètres en R
Dr. Shirin Elsinghorst
Senior Data Scientist
Apprentissage automatique automatisé (AutoML)
- Réglage automatique des algorithmes, en plus des hyperparamètres
- AutoML rend le réglage et l’optimisation des modèles plus rapides et plus simples
- AutoML ne nécessite qu’un jeu de données, une cible et une limite de temps ou de nombre de modèles pour l’entraînement
AutoML dans H2O
AutoML compare
- Régression/Classification linéaire généralisée (GLM)
- Random Forest (distribué) (DRF)
- Arbres extrêmement randomisés (XRT)
- Gradient Boosting extrême (XGBoost)
- Machines de Gradient Boosting (GBM)
- Deep Learning (réseau de neurones artificiels entièrement connecté à plusieurs couches)
- Ensembles empilés (de tous les modèles et des meilleurs par famille)
Hyperparamètres GBM
histogram_typentreesmax_depthmin_rowslearn_ratesample_ratecol_sample_ratecol_sample_rate_per_treemin_split_improvement
Hyperparamètres Deep Learning
epochsadaptivate_rateactivationrhoepsiloninput_dropout_ratiohiddenhidden_dropout_ratios
# Using h2o.automl function
automl_model <- h2o.automl(x = x, y = y,
training_frame = train,
validation_frame = valid,
max_runtime_secs = 60,
sort_metric = "logloss",
seed = 42)
- renvoie un classement de tous les modèles, ordonné selon la métrique choisie (ici « logloss »)
Slot "leader":
Model Details:
==============
H2OMultinomialModel: gbm
Model Summary:
number_of_trees number_of_internal_trees model_size_in_bytes min_depth
189 567 65728 1
max_depth mean_depth min_leaves max_leaves mean_leaves
5 2.96649 2 6 4.20988
Afficher le classement AutoML
lb <- automl_model@leaderboard
model_id mean_per_class_error
1 GBM_grid_0_AutoML_20181029_144443_model_6 0.01851852
2 GBM_grid_0_AutoML_20181029_144443_model_30 0.02777778
3 GBM_grid_0_AutoML_20181029_144443_model_18 0.02777778
4 GBM_grid_0_AutoML_20181029_144443_model_9 0.03703704
- Par défaut, le classement est calculé avec une validation croisée en 5 plis.
Extraire des modèles du classement AutoML
# List all models by model id
model_ids <- as.data.frame(lb)$model_id
[1] "GBM_grid_0_AutoML_20181029_144443_model_6"
[3] "GBM_grid_0_AutoML_20181029_144443_model_18"
[19] "XRT_0_AutoML_20181029_144443"
[20] "DRF_0_AutoML_20181029_144443"
[24] "DeepLearning_0_AutoML_20181029_144443"
[41] "StackedEnsemble_BestOfFamily_0_AutoML_20181029_144443"
[42] "StackedEnsemble_AllModels_0_AutoML_20181029_144443"
# Get the best model
aml_leader <- automl_model@leader
aml_leaderest un objet de modèle H2O standard et se manipule comme tel.
Préparez-vous pour la dernière série d’exercices !
Optimisation des hyperparamètres en R
