本文概述

描述H2O

人们对机器学习算法议论纷纷，对它的专家也提出了要求。我们都知道, 技能要求存在很大差距。 H2O的动机是提供一个平台, 使非专业人员可以轻松地进行机器学习实验。

H2O体系结构可以分为不同的层, 其中顶层是不同的API, 底层是H2O JVM。

资源

H2O的核心代码是用Java编写的, 它使整个框架能够实现多线程。尽管它是用Java编写的, 但它提供了R, Python和体系结构中所示的其他少数几个接口, 从而使它可以有效地使用。

在症结所在, 我们可以说H2O是内存中的开源, 分布式, 快速且可扩展的机器学习和预测分析, 可轻松构建机器学习模型。

安装过程

[R

如果要在R中使用H2O功能, 只需使用命令install.packages(” h2o”)安装软件包H2O。

library(h2o)

##

## ----------------------------------------------------------------------

##

## Your next step is to start H2O:

## > h2o.init()

##

## For H2O package documentation, ask for help:

## > ??h2o

##

## After starting H2O, you can use the Web UI at http://localhost:54321

## For more information visit http://docs.h2o.ai

##

## ----------------------------------------------------------------------

##

## Attaching package: 'h2o'

## The following objects are masked from 'package:stats':

##

## cor, sd, var

## The following objects are masked from 'package:base':

##

## %*%, %in%, &&, ||, apply, as.factor, as.numeric, colnames, ## colnames

h2o.init()

## Connection successful!

##

## R is connected to the H2O cluster:

## H2O cluster uptime: 32 minutes 57 seconds

## H2O cluster timezone: Asia/Kolkata

## H2O data parsing timezone: UTC

## H2O cluster version: 3.20.0.2

## H2O cluster version age: 3 months and 22 days !!!

## H2O cluster name: H2O_started_from_R_NSingh1_wou076

## H2O cluster total nodes: 1

## H2O cluster total memory: 1.55 GB

## H2O cluster total cores: 4

## H2O cluster allowed cores: 4

## H2O cluster healthy: TRUE

## H2O Connection ip: localhost

## H2O Connection port: 54321

## H2O Connection proxy: NA

## H2O Internal Security: FALSE

## H2O API Extensions: Algos, AutoML, Core V3, Core V4

## R Version: R version 3.5.1 (2018-07-02)

如果你没有64位的Jdk, 初始化H2O可能会在你的系统中引发错误。如果出现此类问题, 请安装最新的64位Jdk, 之后它将正常工作。

python

如果你使用的是python, 则也会应用相同的方法, 从命令行pip install -U h2o和h2o将为你的python环境安装。初始化h2o的过程将相同。

h2o.init()命令非常聪明, 可以完成很多工作。首先, 它将在启动新实例之前查找任何活动的h2o实例, 然后在不存在实例时启动一个新实例。

它确实具有一些参数, 这些参数有助于为经常使用的h2o实例提供资源：

nthreads：默认情况下, nthreads的值为-1, 这意味着实例可以使用CPU的所有内核, 我们可以通过将值传递给参数来设置使用的内核数。

max_mem_size：通过将值传递给此参数, 可以限制分配给实例的最大内存。它的od字符串类型可以为2 GB的内存传递参数” 2g”或” 2G”, 与要分配的MB相同。

创建实例后, 你可以通过在浏览器中键入http：// localhost：54321来访问流。 Flow是属于h2o的Web界面的名称, 它不需要任何额外的安装, 而是使用CoffeeScript(类似于JavaScript的语言)编写的。你可以将其用于执行以下操作：

直接上传数据

查看客户端上传的数据

直接创建模型

查看你或你的客户创建的模型

查看预测

直接运行预测

该界面非常有用, 并且可以方便非专家使用, 我建议你尝试一下并进行一些自己的实验。

Auto语言

现在谈论H2O的AutoML部分, AutoML帮助在用户指定的时间限制内Auto训练和调整许多模型。

当前版本的AutoML函数可以训练并交叉验证随机森林, 极端随机森林, 梯度提升机(GBM)的随机网格, 深度神经网络的随机网格, 然后使用所有模型。

当我们说AutoML时, 它应该迎合数据准备, 模型生成和集成的各个方面, 并且还应提供尽可能少的参数, 以便用户能够以更少的混乱来执行任务。 H2o AutoML确实很容易执行此任务, 并且用户传递的参数最少。

在R和Python API中, 它使用与数据相关的相同参数x, y, training_frame, 验证帧, 其中y和training_frame是必需参数, 其余参数是可选的。你还可以在此处配置max_runtime_sec和max_models的值, 其中max_runtime_sec参数是必需的, 如果不传递任何参数, 则max_model是可选的, 默认情况下其值为NULL。

x参数是training_frame中预测变量的向量, 如果你不想使用所传递帧中的所有预测变量, 则可以将其传递给x进行设置。

现在, 让我们谈谈一些可选参数和其他参数, 即使你不知道这些参数, 也要尝试对其进行调整, 这将使你获得一些高级主题的知识：

validation_frame：此参数用于提早停止automl中的各个模型。它是你传递以用于模型验证的数据框, 或者如果你未传递则可以是训练数据的一部分。

Leaderboard_frame：如果通过, 则将根据值对模型评分, 而不使用交叉验证指标。同样, 如果你未通过这些值, 则它们也是训练数据的一部分。

nfolds：默认情况下, K折交叉验证5可用于降低模型性能。

fold_columns：指定交叉验证的索引。

weights_column：如果要为特定的列提供权重, 则可以使用此参数, 将权重分配为0表示你要排除该列。

ignore_columns：仅在python中, 它与x相反。

starting_metric：指定一个用于早期停止网格搜索的度量, 并且模型的默认值是对数损失(logloss)(分类)和偏差(回归)。

sort_metric：用于对排行榜模型进行排序的参数。对于二进制分类, 默认为AUC；对于多项分类, 默认为mean_per_class_error；对于回归, 默认为deviance。

validation_frame和Leaderboard_frame取决于交叉验证参数, 即nfolds。

在两种情况下, 可能会产生以下情况：

当我们在automl中使用交叉验证时：*仅传递训练帧-然后数据将分成80-20个训练和验证帧。 *通过了培训和排行榜框架-培训和验证框架中的80-20数据分割没有变化。 *通过训练和验证框架时-不拆分。 *当所有三个帧都通过时-不分割。

当我们不使用交叉验证时, 交叉验证会大大影响排行榜框架(nfolds = 0)：*仅通过训练框架-数据分为80/10/10训练, 验证和排行榜。 *通过了培训和排行榜框架-数据分为80-20个培训和验证框架。 *通过训练和验证框架时-验证框架数据分为50-50个验证和页首横幅。 *当所有三个帧都通过时-不分割。

在R和Python中实现

R

H2O将数据导入为Frame, 这与我们在R和Python中用于不同操作的数据帧不同。

train

##

|

| | 0%

|

|=================================================================| 100%

test

##

|

| | 0%

|

|=================================================================| 100%

设置预测变量和响应。

y

x

通过传递必需参数来创建automl对象。我们仅传递训练帧, 并且nfolds参数具有其默认值。你可以根据需要增加模型的运行时间。

train[, y]

aml

##

|

| | 0%

|

|= | 1%

|

|= | 2%

|

|== | 3%

|

|=== | 4%

|

|=== | 5%

|

|==== | 6%

|

|===== | 8%

|

|====== | 9%

|

|====== | 10%

|

|======== | 13%

|

|========== | 15%

|

|========== | 16%

|

|=========== | 16%

|

|=========== | 17%

|

|=========== | 18%

|

|============ | 18%

|

|============================================================== | 95%

|

|=================================================================| 100%

查看不同型号的页首横幅。

lb

lb

## model_id auc

## 1 StackedEnsemble_AllModels_0_AutoML_20181008_110411 0.7823564

## 2 StackedEnsemble_BestOfFamily_0_AutoML_20181008_110411 0.7789898

## 3 GBM_grid_0_AutoML_20181008_110411_model_0 0.7738653

## 4 GBM_grid_0_AutoML_20181008_110411_model_1 0.7720842

## 5 GBM_grid_0_AutoML_20181008_110411_model_2 0.7713380

## 6 DRF_0_AutoML_20181008_110411 0.7456390

## logloss mean_per_class_error rmse mse

## 1 0.5596939 0.3197364 0.4359927 0.1900896

## 2 0.5628477 0.3112125 0.4374262 0.1913417

## 3 0.5662489 0.3164375 0.4393990 0.1930715

## 4 0.5679111 0.3192612 0.4402417 0.1938127

## 5 0.5679935 0.3297330 0.4405557 0.1940894

## 6 0.5985811 0.3611326 0.4520878 0.2043834

##

## [8 rows x 6 columns]

python

如果你想学习更多有关Python的知识, 请参加srcmini的Dask并行计算课程。