R语言︱H2o深度学习的一些R语言实践——H2o包

R语言︱H2o深度学习的一些R语言实践——H2o包

R语言H2o包的几个应用案例

     笔者寄语：受启发想了解H2o平台的一些R语言实现，网上已有一篇H2o的demo文件。笔者在这多贴一些案例，并且把自己实践的一些小例子贴出来。

     关于H2o平台长啥样，可以看H2o的官网，关于深度学习长啥样，可以看一些教程，比如ParallelR博客之中的解析。

下面主要是贴几个案例，让大家看看。

————————————————————————————————————————————————————————————

Matt︱R语言调用深度学习架构系列引文

R语言︱H2o深度学习的一些R语言实践——H2o包

R用户的福音︱TensorFlow：TensorFlow的R接口



碎片︱R语言与深度学习


sparklyr包：实现Spark与R的接口，会用dplyr就能玩Spark

—————————————————————————————————————


     本文中介绍的H2o包在调用的过程主要有以下简要步骤：

     连接、搭建H2o环境（heo.init()）——数据转换成h2o格式（as.h2o）——模型拟合（h2o.deeplearning）——预测（h2o.predict）——数据呈现（h2o.performance）。

一、H2o包的demo(glm)

网上已经有了，博客笔者看了并做了简单的中文注释。详情可以见std1984博客。

二、来自ParallelR博客的案例

博客中主要是为了说明深度学习要比其他普通学习方法的精度高。数据是H2o网站数据，笔者windows系统下没有能够下载到该数据，所以后续的分析都没有办法继续进行了。

[plain] view plain copy
 
 print?在CODE上查看代码片派生到我的代码片
  1. library(h2o)  
  2. # single thread  
  3. h2o.init()  
  4. #连接h2o平台  
  5.   
  6.   
  7. train_file <- "https://h2o-public-test-data.s3.amazonaws.com/bigdata/laptop/mnist/train.csv.gz"  
  8. test_file <- "https://h2o-public-test-data.s3.amazonaws.com/bigdata/laptop/mnist/test.csv.gz"  
  9.   
  10. train <- h2o.importFile(train_file)  
  11. test  <- h2o.importFile(test_file)  
  12.   
  13. # To see a brief summary of the data, run the following command  
  14. summary(train)  
  15. summary(test)  
  16.   
  17. y <- "C785"  
  18. x <- setdiff(names(train), y)  
  19.   
  20. # We encode the response column as categorical for multinomial  
  21. #classification  
  22. train[,y] <- as.factor(train[,y])  
  23. test[,y]  <- as.factor(test[,y])  
  24.   
  25. # Train a Deep Learning model and valid  
  26. system.time(  
  27.   model_cv <- h2o.deeplearning(x = x,  
  28.                                y = y,  
  29.                                training_frame = train,  
  30.                                distribution = "multinomial",  
  31.                                activation = "Rectifier",  
  32.                                hidden = c(32),  
  33.                                l1 = 1e-5,  
  34.                                epochs = 200)  
  35. )  

三、最简单的案例——基于iris数据集的深度学习

 

    本案例主要来自h2o官方手册中，h2o.deeplearning包的示例，比较简单易懂。如果你想看预测的数据可以用as.data.frame来变成R能识别的数据框格式。

[plain] view plain copy
 
 print?在CODE上查看代码片派生到我的代码片
  1. ##参考来自：h2o官方手册,h2o.deeplearning函数的示例  
  2. library(h2o)  
  3. h2o.init()  
  4. iris.hex <- as.h2o(iris)  
  5.   
  6. iris.dl <- h2o.deeplearning(x = 1:4, y = 6, training_frame = iris.hex)  #模型拟合  
  7. # now make a prediction  
  8. predictions <- h2o.predict(iris.dl, iris.hex)          #预测  
  9. as.data.frame(predictions)                             #预测数据变成数据框  
  10.   
  11. performance = h2o.performance(model = iris.dl)  
  12. print(performance)  
输出的结果长成下面这个样子。

大概构成是：模型评价指标+混淆矩阵+一些指标的阈值（这个是啥？？）

看到混淆矩阵，你就差不多懂了~

[plain] view plain copy
 
 print?在CODE上查看代码片派生到我的代码片
  1. > print(performance)  
  2. H2OBinomialMetrics: deeplearning  
  3. ** Reported on training data. **  
  4. Description: Metrics reported on full training frame  
  5.   
  6. MSE:  0.01030833  
  7. R^2:  0.9536125  
  8. LogLoss:  0.05097025  
  9. AUC:  1  
  10. Gini:  1  
  11.   
  12. Confusion Matrix for F1-optimal threshold:  
  13.          0  1    Error    Rate  
  14. 0      100  0 0.000000  =0/100  
  15. 1        0 50 0.000000   =0/50  
  16. Totals 100 50 0.000000  =0/150  
  17.   
  18. Maximum Metrics: Maximum metrics at their respective thresholds  
  19.                       metric threshold    value idx  
  20. 1                     max f1  0.983179 1.000000  49  
  21. 2                     max f2  0.983179 1.000000  49  
  22. 3               max f0point5  0.983179 1.000000  49  
  23. 4               max accuracy  0.983179 1.000000  49  
  24. 5              max precision  0.999915 1.000000   0  
  25. 6                 max recall  0.983179 1.000000  49  
  26. 7            max specificity  0.999915 1.000000   0  
  27. 8           max absolute_MCC  0.983179 1.000000  49  
  28. 9 max min_per_class_accuracy  0.983179 1.000000  49  
  29.   
  30. Gains/Lift Table: Extract with `h2o.gainsLift(<model>, <data>)` or `h2o.gainsLift(<model>, valid=<T/F>, xval=<T/F>)`  


每每以为攀得众山小，可、每每又切实

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/timssd/p/6416163.html