Búsqueda en cuadrícula y aleatoria con H2O

Ajuste de hiperparámetros en R

Dr. Shirin Elsinghorst

Senior Data Scientist

Hiperparámetros en modelos H2O

Hiperparámetros para Gradient Boosting:

?h2o.gbm

ntrees: Número de árboles. Predeterminado: 50.
max_depth: Profundidad máxima. Predeterminado: 5.
min_rows: Mín. observaciones (ponderadas) en una hoja. Predeterminado: 10.
learn_rate: Tasa de aprendizaje (0.0 a 1.0). Predeterminado: 0.1.
learn_rate_annealing: Escala la tasa tras cada árbol (p. ej., 0.99 o 0.999). Predeterminado: 1.

Preparar datos para modelar con H2O

Convertir a H2O frame

seeds_data_hf <- as.h2o(seeds_data)

Identificar features y target

y <- "seed_type"
x <- setdiff(colnames(seeds_data_hf), y)

Dividir datos en train, test y validación

sframe <- h2o.splitFrame(data = seeds_data_hf, ratios = c(0.7, 0.15), seed = 42)
train <- sframe[[1]]
valid <- sframe[[2]]
test <- sframe[[3]]

Definir una cuadrícula de hiperparámetros

Hiperparámetros de GBM

gbm_params <- list(ntrees = c(100, 150, 200), max_depth = c(3, 5, 7), learn_rate = c(0.001, 0.01, 0.1))

Función h2o.grid

gbm_grid <- h2o.grid("gbm", 
                     grid_id = "gbm_grid",
                     x = x, 
                     y = y,
                     training_frame = train,
                     validation_frame = valid,
                     seed = 42,
                     hyper_params = gbm_params)

Examina resultados con h2o.getGrid

Examinar un objeto de cuadrícula

Examina resultados de gbm_grid con h2o.getGrid.
Obtén la cuadrícula ordenada por accuracy de validación

gbm_gridperf <- h2o.getGrid(grid_id = "gbm_grid", sort_by = "accuracy", decreasing = TRUE)

ID de la cuadrícula: gbm_grid 
Hiperparámetros usados: 
  -  learn_rate 
  -  max_depth 
  -  ntrees 
Número de modelos: 27 
Modelos con error: 0 

Resumen de búsqueda de hiperparámetros: ordenado por accuracy descendente

Extraer el mejor modelo de una cuadrícula

El mejor GBM según accuracy de validación está en la posición 1

best_gbm <- h2o.getModel(gbm_gridperf@model_ids[[1]])

Estos son los hiperparámetros del mejor modelo:

print(best_gbm@model[["model_summary"]])

Resumen del modelo: 
 number_of_trees number_of_internal_trees model_size_in_bytes min_depth
             200                      600              100961         2 
 max_depth mean_depth min_leaves max_leaves mean_leaves
         7    5.22667          3         10     8.38833

Extraer el mejor modelo de una cuadrícula

best_gbm es un modelo H2O normal y se trata como tal.

h2o.performance(best_gbm, test)

MSE: (Extraer con `h2o.mse`) 0.04761904
RMSE: (Extraer con `h2o.rmse`) 0.2182179
Logloss: (Extraer con `h2o.loglos

Búsqueda aleatoria con H2O

Además de la cuadrícula de hiperparámetros, añade criterios de búsqueda:

gbm_params <- list(ntrees = c(100, 150, 200),
                   max_depth = c(3, 5, 7),
                   learn_rate = c(0.001, 0.01, 0.1))

search_criteria <- list(strategy = "RandomDiscrete", 
                        max_runtime_secs = 60, 
                        seed = 42)

gbm_grid <- h2o.grid("gbm", 
                     grid_id = "gbm_grid",
                     x = x, y = y,
                     training_frame = train,
                     validation_frame = valid,
                     seed = 42,
                     hyper_params = gbm_params,
                     search_criteria = search_criteria)

search_criteria <- list(strategy = "RandomDiscrete", 
                        stopping_metric = "mean_per_class_error", 
                        stopping_tolerance = 0.0001, 
                        stopping_rounds = 6)

gbm_grid <- h2o.grid("gbm", x = x, y = y, training_frame = train, validation_frame = valid, 
                      seed = 42, hyper_params = gbm_params, search_criteria = search_criteria)

Detalles de la cuadrícula H2O
=============================
ID de la cuadrícula: gbm_grid 
Hiperparámetros usados: 
  -  learn_rate 
  -  max_depth 
  -  ntrees 
Número de modelos: 30 
Modelos con error: 0

¡Vamos a practicar!

Ajuste de hiperparámetros en R