Python H2O R api:从网格搜索中检索最优模型
我在R中使用Python H2O R api:从网格搜索中检索最优模型,python,r,h2o,Python,R,H2o,我在R中使用h2o包(v3.6.0),并构建了一个网格搜索模型。现在,我正在尝试访问使验证集上的MSE最小化的模型。在python的sklearn中,使用RandomizedSearchCV可以轻松实现这一点: ## Pseudo code: grid = RandomizedSearchCV(model, params, n_iter = 5) grid.fit(X) best = grid.best_estimator_ 不幸的是,这在h2o中并不是那么简单。以下是您可以重新创建的示例:
h2o
包(v3.6.0),并构建了一个网格搜索模型。现在,我正在尝试访问使验证集上的MSE最小化的模型。在python的sklearn
中,使用RandomizedSearchCV
可以轻松实现这一点:
## Pseudo code:
grid = RandomizedSearchCV(model, params, n_iter = 5)
grid.fit(X)
best = grid.best_estimator_
不幸的是,这在h2o中并不是那么简单。以下是您可以重新创建的示例:
library(h2o)
## assume you got h2o initialized...
X <- as.h2o(iris[1:100,]) # Note: only using top two classes for example
grid <- h2o.grid(
algorithm = 'gbm',
x = names(X[,1:4]),
y = 'Species',
training_frame = X,
hyper_params = list(
distribution = 'bernoulli',
ntrees = c(25,50)
)
)
通过一点挖掘,您可以访问每个单独的模型并查看可以想象的每个指标:
> h2o.getModel(grid@model_ids[[1]])
H2OBinomialModel: gbm
Model ID: Grid_GBM_file1742e107fe5ba_csv_10.hex_11_model_R_1456492736353_18_model_1
Model Summary:
number_of_trees model_size_in_bytes min_depth max_depth mean_depth min_leaves max_leaves mean_leaves
1 50 4387 1 1 1.00000 2 2 2.00000
H2OBinomialMetrics: gbm
** Reported on training data. **
MSE: 1.056927e-05
R^2: 0.9999577
LogLoss: 0.003256338
AUC: 1
Gini: 1
Confusion Matrix for F1-optimal threshold:
setosa versicolor Error Rate
setosa 50 0 0.000000 =0/50
versicolor 0 50 0.000000 =0/50
Totals 50 50 0.000000 =0/100
Maximum Metrics: Maximum metrics at their respective thresholds
metric threshold value idx
1 max f1 0.996749 1.000000 0
2 max f2 0.996749 1.000000 0
3 max f0point5 0.996749 1.000000 0
4 max accuracy 0.996749 1.000000 0
5 max precision 0.996749 1.000000 0
6 max absolute_MCC 0.996749 1.000000 0
7 max min_per_class_accuracy 0.996749 1.000000 0
通过大量的挖掘,你终于可以做到:
> h2o.getModel(grid@model_ids[[1]])@model$training_metrics@metrics$MSE
[1] 1.056927e-05
这似乎需要做大量的艰苦工作,才能得出一个模型选择的顶级标准。在我的情况下,我有一个包含数百个模型的网格,而我目前的黑客解决方案似乎不是很“R-esque”:
model\u select\是的,有一种简单的方法可以提取H2O网格搜索的“顶部”模型。还有一些实用程序函数将提取您一直试图访问的所有模型度量(例如h2o.mse
)。如何执行这些操作的示例可以在GitHub repo上的和子文件夹中找到
因为您使用的是R,所以下面是一个包含网格搜索的示例,其中包含排序结果。您还可以在h2o.getGrid
函数的R文档中找到如何访问此信息
打印所有模型的auc,按验证auc排序:
auc_table <- h2o.getGrid(grid_id = "eeg_demo_gbm_grid", sort_by = "auc", decreasing = TRUE)
print(auc_table)
best_model <- h2o.getModel(auc_table@model_ids[[1]])
h2o.auc(best_model, valid = TRUE)
表中的顶行包含具有最佳AUC的模型,因此下面我们可以获取该模型并提取验证AUC:
auc_table <- h2o.getGrid(grid_id = "eeg_demo_gbm_grid", sort_by = "auc", decreasing = TRUE)
print(auc_table)
best_model <- h2o.getModel(auc_table@model_ids[[1]])
h2o.auc(best_model, valid = TRUE)
best_model这似乎仅适用于h2o的最新版本,您可以使用3.8.2.3
Java异常表示“auc”是无效度量。
以下操作失败:
library(h2o)
library(jsonlite)
h2o.init()
iris.hex <- as.h2o(iris)
h2o.grid("gbm", grid_id = "gbm_grid_id", x = c(1:4), y = 5,
training_frame = iris.hex, hyper_params = list(ntrees = c(1,2,3)))
grid <- h2o.getGrid("gbm_grid_id", sort_by = "auc", decreasing = T)
库(h2o)
图书馆(jsonlite)
h2o.init()
iris.hex不幸的是,当你把它们都传进来时,H2O网格函数使用的是训练帧而不是验证帧。因此,获胜的模式是极其矫枉过正和无用的。编辑:好的,这里更正一下,实际上,对于学习曲线分析和偏差与方差分析来说,像这样的训练偏差非常低是很有用的。但为了清楚起见,我还需要能够再次运行并获得一个验证数据集,作为最终模型拟合和选择的搜索标准
例如,这里有一个来自GBM上的网格函数的获胜模型,其中传递了validation_帧,AUC是搜索度量。您可以看到,验证auc从0.5开始,在获胜模型的最终得分历史上实际上恶化到0.44:
Scoring History:
timestamp duration number_of_trees training_rmse
1 2017-02-06 10:09:19 6 min 13.153 sec 0 0.70436
2 2017-02-06 10:09:23 6 min 16.863 sec 100 0.70392
3 2017-02-06 10:09:27 6 min 20.950 sec 200 0.70343
4 2017-02-06 10:09:31 6 min 24.806 sec 300 0.70289
5 2017-02-06 10:09:35 6 min 29.244 sec 400 0.70232
6 2017-02-06 10:09:39 6 min 33.069 sec 500 0.70171
7 2017-02-06 10:09:43 6 min 37.243 sec 600 0.70107
training_logloss training_auc training_lift training_classification_error
1 2.77317 0.50000 1.00000 0.49997
2 2.69896 0.99980 99.42857 0.00026
3 2.62768 0.99980 99.42857 0.00020
4 2.55902 0.99982 99.42857 0.00020
5 2.49675 0.99993 99.42857 0.00020
6 2.43712 0.99994 99.42857 0.00020
7 2.38071 0.99994 99.42857 0.00013
validation_rmse validation_logloss validation_auc validation_lift
1 0.06921 0.03058 0.50000 1.00000
2 0.06921 0.03068 0.45944 9.03557
3 0.06922 0.03085 0.46685 9.03557
4 0.06922 0.03107 0.46817 9.03557
5 0.06923 0.03133 0.45656 9.03557
6 0.06924 0.03163 0.44947 9.03557
7 0.06924 0.03192 0.44400 9.03557
validation_classification_error
1 0.99519
2 0.00437
3 0.00656
4 0.00656
5 0.00700
6 0.00962
7 0.00962
这太好了,艾琳。在可复制的示例中,我没有通过验证集,但在实际代码中通过了。非常感谢。实际上,grid()不使用验证框架。它只使用训练框架。它会忽略为评分目的传入的验证帧。由此产生的模型自然过度拟合,因此毫无用处。这个问题解决了吗?您可以从搜索中查看获胜模型,并直接查看其得分进度,以比较例如培训auc和验证auc。如果您在那里查看,您将看到问题。@GeoffreyAnderson我们有一张票证,用于跟踪您在验证\u框架
和h2o.grid
中的观察结果/问题,希望能很快解决。您可以在此处跟踪进度:@Erin L.感谢您的关注。仅供参考,模型训练功能(例如,h2o.gbm(),h2o.randomForest())而不是网格本身是问题的实际来源,根据我对其进行的持续研究,我认为这是问题的实际来源。我非常希望修复我的用户错误(如果有的话),或者用一些解决方法修复任何软件错误(如果有的话)。H2O在运行library(H2O)时不会告诉您版本,但在这种情况下它会很有帮助。H2O也没有类似于H2O.version的函数,但这在类似这样的情况下也会很有帮助。H2O集群版本:3.10.1.1 from H2O.init(),我认为这并没有回答问题(关于如何检索模型的顺序)。如果您发现validation_frame被忽略的问题,我建议删除此答案并开始一个新问题,并提供一个完全可复制的示例。@GeoffreyAnderson我们不需要H2O中的特殊函数来获取软件包版本;这就是R中的packageVersion()
。只需键入:packageVersion(“h2o”)
或h2o.init()
即可查看版本号。@GeoffreyAnderson h2o的算法使用验证框架提前停止。模型在满足早期停止标准后停止,但没有提供额外的修剪步骤来查找迄今为止构建的树的最高AUC。换言之,模型发现,在指定的连续停止轮数之后,AUC在指定的停止轮数公差下没有改善。在这一点上,它已经建立了X棵树,具有一定的分数,因此这就是它返回的分数。它不会返回最高分数,因为您的示例中的最高分数对应于不同数量的树。Iris是一个多类问题,这就是上面的示例不支持AUC的原因。错误消息将精确打印multiclass支持的度量:指定的排序依据的参数无效。必须是以下各项之一:[r2,每类平均精度,每类最大误差,err,总行数,rmse,精度,错误计数,logloss,mse,每类平均误差]
Scoring History:
timestamp duration number_of_trees training_rmse
1 2017-02-06 10:09:19 6 min 13.153 sec 0 0.70436
2 2017-02-06 10:09:23 6 min 16.863 sec 100 0.70392
3 2017-02-06 10:09:27 6 min 20.950 sec 200 0.70343
4 2017-02-06 10:09:31 6 min 24.806 sec 300 0.70289
5 2017-02-06 10:09:35 6 min 29.244 sec 400 0.70232
6 2017-02-06 10:09:39 6 min 33.069 sec 500 0.70171
7 2017-02-06 10:09:43 6 min 37.243 sec 600 0.70107
training_logloss training_auc training_lift training_classification_error
1 2.77317 0.50000 1.00000 0.49997
2 2.69896 0.99980 99.42857 0.00026
3 2.62768 0.99980 99.42857 0.00020
4 2.55902 0.99982 99.42857 0.00020
5 2.49675 0.99993 99.42857 0.00020
6 2.43712 0.99994 99.42857 0.00020
7 2.38071 0.99994 99.42857 0.00013
validation_rmse validation_logloss validation_auc validation_lift
1 0.06921 0.03058 0.50000 1.00000
2 0.06921 0.03068 0.45944 9.03557
3 0.06922 0.03085 0.46685 9.03557
4 0.06922 0.03107 0.46817 9.03557
5 0.06923 0.03133 0.45656 9.03557
6 0.06924 0.03163 0.44947 9.03557
7 0.06924 0.03192 0.44400 9.03557
validation_classification_error
1 0.99519
2 0.00437
3 0.00656
4 0.00656
5 0.00700
6 0.00962
7 0.00962