H2Oでの機械学習

R によるハイパーパラメータチューニング

Dr. Shirin Elsinghorst

Senior Data Scientist

H2Oとは

library(h2o)
h2o.init()

H2O は未起動のため、起動します...
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 を起動して接続中: ... 接続に成功しました!
R は H2O クラスタに接続しました: 
    H2O クラスタ稼働時間:     1 秒 620 ミリ秒 
    H2O クラスタのタイムゾーン: UTC 
    H2O データ解析タイムゾーン:  UTC 
    H2O クラスタのバージョン:  3.38.0.1 
    H2O クラスタのバージョン経過: 2 か月 25 日  
    H2O クラスタ名:             H2O_started_from_R_repl_chk886 
    H2O ノード数:                1 
    H2O 総メモリ:                0.98 GB 
    H2O 総コア数:                2 
    H2O 使用許可コア数:          2 
    H2O ヘルス:                  TRUE 
    H2O 接続 IP:                 localhost 
    H2O 接続ポート:              54321 
    H2O 接続プロキシ:            NA 
    H2O 内部セキュリティ:        FALSE 
    R バージョン:                R version 4.2.1 (2022-06-23)

新しいデータセット: 種子データ

glimpse(seeds_data)

観測数: 150
変数: 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

H2Oでの前処理

データをH2Oフレームへ
```
seeds_data_hf <- as.h2o(seeds_data)
```

特徴量と目的変数を定義

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

分類では目的変数をfactorに

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

学習・検証・テスト分割

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

H2Oでのモデル学習

勾配ブースティング: h2o.gbm() と h2o.xgboost()
一般化線形モデル: h2o.glm()
ランダムフォレスト: h2o.randomForest()
ニューラルネットワーク: h2o.deeplearning()

H2Oでのモデル学習

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

モデル詳細:
==============

H2OMultinomialModel: gbm
Model ID:  GBM_model_R_1540736041817_1 
モデル要約: 
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

モデルの性能

perf <- h2o.performance(gbm_model, test)

h2o.confusionMatrix(perf)

混同行列: 行=実クラス; 列=予測クラス
       1 2 3  Error     Rate
1      7 0 1 0.1250 =  1 / 8
2      0 8 0 0.0000 =  0 / 8
3      0 0 5 0.0000 =  0 / 5
合計   7 8 6 0.0476 = 1 / 21

h2o.logloss(perf)

0.2351779

新規データを予測

h2o.predict(gbm_model, test)

Ayo berlatih!

R によるハイパーパラメータチューニング