Machine learning met H2O

Hyperparameterafstelling in R

Dr. Shirin Elsinghorst

Senior Data Scientist

Wat is H2O?

library(h2o)
h2o.init()

H2O draait nog niet, starten nu...
java version "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)
H2O JVM starten en verbinden: ... Verbinding geslaagd!
R is verbonden met de H2O-cluster: 
    H2O cluster-uptime:         1 seconden 620 milliseconden 
    H2O cluster-tijdzone:       UTC 
    H2O data-parsing tijdzone:  UTC 
    H2O cluster-versie:         3.38.0.1 
    H2O cluster-versieleeftijd: 2 maanden en 25 dagen  
    H2O cluster-naam:           H2O_started_from_R_repl_chk886 
    H2O totaal aantal nodes:    1 
    H2O totaal geheugen:        0.98 GB 
    H2O totaal cores:           2 
    H2O toegestane cores:       2 
    H2O cluster gezond:         TRUE 
    H2O Connection ip:          localhost 
    H2O Connection port:        54321 
    H2O Connection proxy:       NA 
    H2O Interne beveiliging:    FALSE 
    R-versie:                   R version 4.2.1 (2022-06-23)

Nieuwe dataset: seed-gegevens

glimpse(seeds_data)

Observaties: 150
Variabelen: 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

Data voorbereiden voor modelleren met H2O

Data als een H2O-frame
```
seeds_data_hf <- as.h2o(seeds_data)
```

Definieer features en target

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

Voor classificatie moet de target een factor zijn

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

Train-, validatie- en testsets

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

Modellen trainen met H2O

Gradient boosted-modellen met h2o.gbm() & h2o.xgboost()
Gegeneraliseerde lineaire modellen met h2o.glm()
Random-forestmodellen met h2o.randomForest()
Neurale netwerken met h2o.deeplearning()

Modellen trainen met H2O

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

Modeldetails:
==============

H2OMultinomialModel: gbm
Model-ID:  GBM_model_R_1540736041817_1 
Modelsamenvatting: 
aantal_bomen aantal_interne_bomen modelgrootte_in_bytes min_diept e 
             50                      150               24877         2 
max_diept e gem_diept e min_bladeren max_bladeren gem_bladeren
        5    4.72000           3         10      8.26667

Modelprestatie

perf <- h2o.performance(gbm_model, test)

h2o.confusionMatrix(perf)

Verwarringsmatrix: Rijlabels: Werkelijke klasse; Kolomlabels: Voorspelde klasse
       1 2 3  Fout     Percentage
1      7 0 1 0.1250 =  1 / 8
2      0 8 0 0.0000 =  0 / 8
3      0 0 5 0.0000 =  0 / 5
Totaal 7 8 6 0.0476 = 1 / 21

h2o.logloss(perf)

0.2351779

Nieuwe data voorspellen

h2o.predict(gbm_model, test)

Laten we oefenen!

Hyperparameterafstelling in R