Machine learning com H2O

Ajuste de hiperparâmetros em R

Dr. Shirin Elsinghorst

Senior Data Scientist

O que é H2O?

library(h2o)
h2o.init()

H2O ainda não está rodando, iniciando agora...
versão do java "1.8.0_351"
Java(TM) SE Runtime Environment (build 1.8.0_351-b10)
Java HotSpot(TM) 64-Bit Server VM (build 25.351-b10, mixed mode)
Iniciando a JVM do H2O e conectando: ... Conexão bem-sucedida!
R conectado ao cluster H2O: 
    Uptime do cluster H2O:     1 s 620 ms 
    Fuso horário do cluster:   UTC 
    Fuso da análise de dados:  UTC 
    Versão do cluster H2O:     3.38.0.1 
    Idade da versão:           2 meses e 25 dias  
    Nome do cluster H2O:       H2O_started_from_R_repl_chk886 
    Nós no cluster:            1 
    Memória total do cluster:  0.98 GB 
    Núcleos totais do cluster: 2 
    Núcleos permitidos:        2 
    Cluster saudável:          TRUE 
    IP da conexão H2O:         localhost 
    Porta da conexão H2O:      54321 
    Proxy da conexão H2O:      NA 
    Segurança interna:         FALSE 
    Versão do R:               R version 4.2.1 (2022-06-23)

Novo conjunto: dados de sementes

glimpse(seeds_data)

Observações: 150
Variáveis: 8
$ area          <dbl> 15.26, 14.88, 14.29, 13.84 ...
$ perimeter     <dbl> 14.84, 14.57, 14.09, 13.94 ...
$ compactness   <dbl> 0.8710, 0.8811, 0.9050 ...
$ kernel_length <dbl> 5.763, 5.554, 5.291, 5.324 ...
$ kernel_width  <dbl> 3.312, 3.333, 3.337, 3.379 ...
$ asymmetry     <dbl> 2.2210, 1.0180, 2.6990 ...
$ kernel_groove <dbl> 5.220, 4.956, 4.825, 4.805 ...
$ seed_type     <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, ...

seeds_data %>%
  count(seed_type)

# A tibble: 3 x 2
  seed_type     n
      <int> <int>
1         1    50
2         2    50
3         3    50

Preparando os dados para modelagem no H2O

Dados como H2O frame
```
seeds_data_hf <- as.h2o(seeds_data)
```

Definir features e alvo

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

Para classificação, o alvo deve ser factor

seeds_data_hf[, y] <- as.factor(seeds_data_hf[, y])

Treino, validação e teste

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

summary(train$seed_type, exact_quantiles = TRUE)

seed_type
 1:36     
 2:36     
 3:35

summary(test$seed_type, exact_quantiles = TRUE)

 seed_type
 1:8      
 2:8      
 3:5

Treinando modelos com H2O

Modelos gradient boosting com h2o.gbm() e h2o.xgboost()
Modelos lineares generalizados com h2o.glm()
Random forest com h2o.randomForest()
Redes neurais com h2o.deeplearning()

Treinando modelos com H2O

gbm_model <- h2o.gbm(x = x, y = y, 
                     training_frame = train, 
                     validation_frame = valid)

Detalhes do modelo:
===================

H2OMultinomialModel: gbm
ID do modelo:  GBM_model_R_1540736041817_1 
Resumo do modelo: 
number_of_trees number_of_internal_trees model_size_in_bytes min_depth 
             50                      150               24877         2 
max_depth mean_depth min_leaves max_leaves mean_leaves
        5    4.72000          3         10     8.26667

Desempenho do modelo

perf <- h2o.performance(gbm_model, test)

h2o.confusionMatrix(perf)

Matriz de confusão: Linhas: classe real; Colunas: classe prevista
       1 2 3  Erro     Taxa
1      7 0 1 0.1250 =  1 / 8
2      0 8 0 0.0000 =  0 / 8
3      0 0 5 0.0000 =  0 / 5
Total  7 8 6 0.0476 = 1 / 21

h2o.logloss(perf)

0.2351779

Prever novos dados

h2o.predict(gbm_model, test)

Vamos praticar!

Ajuste de hiperparâmetros em R