R语言h2o深度学习分类

配置所需环境：
install.packages("h2o")
library(h2o)
Sys.setenv(JAVA_HOME="E:/java/JAVA(1)") -----配置环境变量
h2o.init() #链接h2o平台
下载数据：
训练集: http://www.pjreddie.com/media/files/mnist_train.csv
测试集: http://www.pjreddie.com/media/files/mnist_test.csv
train_h2o <- h2o.importFile( path = "D:/mnist_train.csv")
test_h2o <- h2o.importFile(path = "D:/mnist_test.csv")
y_train <- as.factor(as.matrix(train_h2o[, 1]))
y_test <- as.factor(as.matrix(test_h2o[, 1]))
训练模型：
model <- h2o.deeplearning(x = 2:785, # column numbers for predictors
y = 1, # column number for label
training_frame = train_h2o, 训练集
activation = "Tanh", #激活函数
#balance_classes = TRUE, #训练集类别均衡
hidden = c(100, 100, 100), ## three hidden layers
epochs = 100) #迭代100次
由于数据规模比较大，是60000行*785列的，所以这个过程中电脑会变的巨卡，cpu使用量会持续95%以上，我的电脑持续了40分钟才训练完模型
接下来你可以输出模型来看看你的训练集的训练效果如何

model

Model Details:
==============

H2ORegressionModel: deeplearning
Model ID: DeepLearning_model_R_1500974326986_4
Status of Neuron Layers: predicting C1, regression, gaussian distribution, Quadratic loss, 92,101 weights/biases, 1.1 MB, 862,830 training samples, mini-batch size 1
layer units type dropout l1 l2 mean_rate rate_rms momentum
1 1 717 Input 0.00 %
2 2 100 Tanh 0.00 % 0.000000 0.000000 0.352263 0.377816 0.000000
3 3 100 Tanh 0.00 % 0.000000 0.000000 0.050956 0.026576 0.000000
4 4 100 Tanh 0.00 % 0.000000 0.000000 0.233008 0.247813 0.000000
5 5 1 Linear 0.000000 0.000000 0.001606 0.001025 0.000000
mean_weight weight_rms mean_bias bias_rms
1
2 -0.002465 0.110346 0.016357 0.192539
3 0.001666 0.177409 0.002860 0.447464
4 -0.002143 0.154353 -0.017609 0.236047
5 -0.012989 0.069333 -0.056454 0.000000

H2ORegressionMetrics: deeplearning
** Reported on training data. **
** Metrics reported on temporary training frame with 10092 samples **

MSE: 0.1165795
RMSE: 0.3414374
MAE: 0.1600576
RMSLE: 0.09332472
Mean Residual Deviance : 0.1165795

然后来看一下测试集分类效果如何，我们把训练的模型拿来预测测试集：
yhat_train <- h2o.predict(model, train_h2o)$predict
yhat_train <- as.factor(as.matrix(yhat_train))

yhat_test <- h2o.predict(model, test_h2o)$predict

yhat_test <- as.factor(as.matrix(yhat_test))

yt<-as.numeric(as.character(y_test)) #将因子现转字符再转数值
yhat<-as.numeric(as.character(yhat_test))

执行以下代码可以输出分类的正确个数

s<-0
for(i in 1:10000)
{
if(yt[i]==round(yhat[i]))
s<-s+1
}
s

[1] 8964

预测成功8964个，正确率为89.64%，效果还算不错

R语言h2o深度学习分类相关推荐

R语言︱H2o深度学习的一些R语言实践——H2o包
每每以为攀得众山小,可.每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~ --------------------------- R语言H2o包的几个应用案例笔者寄语:受启发 ...
碎片︱R语言与深度学习
笔者:受alphago影响,想看看深度学习,但是其在R语言中的应用包可谓少之又少,更多的是在matlab和python中或者是调用.整理一下目前我看到的R语言的材料: ---------------- ...
R语言深圳面授_「深圳侦探电话」用R语言实现深度学习情感分析
04-16阅读数466 作者:黄天元,复旦大学博士在读,目前研究涵盖文本挖掘.社交网络预测和机器学习等.希望与你们分享学习心得,推广并加深R语言在业界的应用.邮箱:huang.tian-yuan... ...
R语言快速深度学习进行回归预测（转）
深度学习在过去几年,由于卷积神经网络的特征提取能力让这个算法又火了一下,其实在很多年以前早就有所出现,但是由于深度学习的计算复杂度问题,一直没有被广泛应用. 一般的,卷积层的计算形式为: 其中.x分别 ...
极限学习机︱R语言快速深度学习进行回归预测
本文转载于张聪的博客,链接:https://ask.hellobi.com/blog/zason/4543. 深度学习在过去几年,由于卷积神经网络的特征提取能力让这个算法又火了一下,其实在很多年以前早 ...
R语言与机器学习学习笔记（分类算法）
转载自:http://www.itongji.cn/article/0P534092014.html 人工神经网络(ANN),简称神经网络,是一种模仿生物神经网络的结构和功能的数学模型或计算模型.神经 ...
语言提取列名_学习健明老师发布的R语言练习题的学习笔记（二）
学习者:骆栢维题目来源:生信基石之R语言中级10 个题目:http://www.bio-info-trainee.com/3750.html 备注:本文为笔者学习健明老师GitHub答案代码的学习 ...
【C语言进阶深度学习记录】五 C语言中变量的属性
上一篇文章学习了C语言中的类型转换,点击链接查看:[C语言进阶深度学习记录]四 C语言中的类型转换. 文章目录 1 C语言的变量属性 1.1 auto关键字 1.2 register关键字 1.3 s ...
深度学习分类任务常用评估指标
摘要:这篇文章主要向大家介绍深度学习分类任务评价指标,主要内容包括基础应用.实用技巧.原理机制等方面,希望对大家有所帮助. 本文分享自华为云社区<深度学习分类任务常用评估指标>,原文作者: ...

R语言h2o深度学习分类

R语言h2o深度学习分类相关推荐

最新文章

热门文章