Mřížkové a náhodné prohledávání v H2O

Hyperparameter Tuning in R

Dr. Shirin Elsinghorst

Senior Data Scientist

Hyperparametry v modelech H2O

Hyperparametry pro Gradient Boosting:

?h2o.gbm

ntrees: Počet stromů. Výchozí hodnota: 50.
max_depth: Maximální hloubka stromu. Výchozí hodnota: 5.
min_rows: Minimální počet (vážených) pozorování v listu. Výchozí hodnota: 10.
learn_rate: Rychlost učení (0,0 až 1,0). Výchozí hodnota: 0,1.
learn_rate_annealing: Škáluje rychlost učení tímto faktorem po každém stromě (např. 0,99 nebo 0,999). Výchozí hodnota: 1.

Příprava dat pro modelování v H2O

Převod na H2O frame

seeds_data_hf <- as.h2o(seeds_data)

Určení příznaků a cílové proměnné

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

Rozdělení dat na trénovací, testovací a validační sadu

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

Definování mřížky hyperparametrů

Hyperparametry GBM

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

Funkce 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)

Výsledky zobrazíte pomocí h2o.getGrid

Prozkoumání objektu mřížky

Prohlédněte výsledky modelu gbm_grid pomocí funkce h2o.getGrid.
Výsledky mřížky seřazené podle validační přesnosti

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

Grid ID: gbm_grid 
Used hyper parameters: 
  -  learn_rate 
  -  max_depth 
  -  ntrees 
Number of models: 27 
Number of failed models: 0 

Hyper-Parameter Search Summary: ordered by decreasing accuracy

Extrakce nejlepšího modelu z mřížky

Nejlepší model GBM podle validační přesnosti je na pozici 1

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

Hyperparametry nejlepšího modelu:

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

Model Summary: 
 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

Extrakce nejlepšího modelu z mřížky

best_gbm je běžný objekt modelu H2O a lze s ním tak pracovat!

h2o.performance(best_gbm, test)

MSE: (Extract with `h2o.mse`) 0.04761904
RMSE: (Extract with `h2o.rmse`) 0.2182179
Logloss: (Extract with `h2o.loglos

Náhodné prohledávání v H2O

K mřížce hyperparametrů přidejte kritéria prohledávání:

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)

H2O Grid Details
================
Grid ID: gbm_grid 
Used hyper parameters: 
  -  learn_rate 
  -  max_depth 
  -  ntrees 
Number of models: 30 
Number of failed models: 0

Čas na procvičení!

Hyperparameter Tuning in R