Machine Learning avec H2O

Ajustement d'hyperparamètres en R

Dr. Shirin Elsinghorst

Senior Data Scientist

Qu'est-ce que H2O ?

library(h2o)
h2o.init()

H2O n'est pas encore en cours d'exécution, démarrage…
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)
Démarrage de la JVM H2O et connexion : ... Connexion réussie !
R est connecté au cluster H2O : 
    Temps d'activité du cluster H2O :  1 seconde 620 millisecondes 
    Fuseau horaire du cluster H2O :    UTC 
    Fuseau pour l'analyse des données : UTC 
    Version du cluster H2O :          3.38.0.1 
    Âge de la version du cluster :    2 mois et 25 jours  
    Nom du cluster H2O :              H2O_started_from_R_repl_chk886 
    Nombre total de nœuds :           1 
    Mémoire totale du cluster :       0.98 GB 
    Cœurs totaux du cluster :         2 
    Cœurs autorisés :                 2 
    État du cluster :                 TRUE 
    IP de connexion H2O :             localhost 
    Port de connexion H2O :           54321 
    Mandataire H2O :                  NA 
    Sécurité interne H2O :            FALSE 
    Version de R :                    R version 4.2.1 (2022-06-23)

Nouveau jeu de données : données sur les graines

glimpse(seeds_data)

Observations : 150
Variables : 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

Préparer les données pour la modélisation avec H2O

Données en trame H2O
```
seeds_data_hf <- as.h2o(seeds_data)
```

Définir les caractéristiques et la cible

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

Pour la classification, la cible doit être un facteur

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

Ensembles d'entraînement, de validation et de test

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

Entraîner des modèles avec H2O

Modèles par arbres renforcés avec h2o.gbm() et h2o.xgboost()
Modèles linéaires généralisés avec h2o.glm()
Forêts aléatoires avec h2o.randomForest()
Réseaux de neurones avec h2o.deeplearning()

Entraîner des modèles avec H2O

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

Détails du modèle :
===================

H2OMultinomialModel: gbm
ID du modèle :  GBM_model_R_1540736041817_1 
Résumé du modèle : 
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

Performance du modèle

perf <- h2o.performance(gbm_model, test)

h2o.confusionMatrix(perf)

Matrice de confusion : Lignes : classe réelle ; Colonnes : classe prédite
       1 2 3  Erreur     Taux
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

Prédire de nouvelles données

h2o.predict(gbm_model, test)

Passons à la pratique !

Ajustement d'hyperparamètres en R