每每以為攀得眾山小，可、每每又切實來到起點，大牛們，緩緩腳步來俺筆記葩分享一下吧，please~

———————————————————————————

R語言H2o包的幾個應用案例

     筆者寄語：受啟發想了解H2o平臺的一些R語言實現，網上已有一篇H2o的demo檔案。筆者在這多貼一些案例，並且把自己實踐的一些小例子貼出來。

     關於H2o平臺長啥樣，可以看H2o的官網，關於深度學習長啥樣，可以看一些教程，比如ParallelR部落格之中的解析。

下面主要是貼幾個案例，讓大家看看。

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

Matt︱R語言呼叫深度學習架構系列引文

     本文中介紹的H2o包在呼叫的過程主要有以下簡要步驟：

     連線、搭建H2o環境（heo.init()）——資料轉換成h2o格式（as.h2o）——模型擬合（h2o.deeplearning）——預測（h2o.predict）——資料呈現（h2o.performance）。

一、H2o包的demo(glm)

網上已經有了，部落格筆者看了並做了簡單的中文註釋。詳情可以見std1984部落格。

部落格中主要是為了說明深度學習要比其他普通學習方法的精度高。資料是H2o網站資料，筆者windows系統下沒有能夠下載到該資料，所以後續的分析都沒有辦法繼續進行了。

library(h2o)
# single thread
h2o.init()
#連線h2o平臺


train_file <- "https://h2o-public-test-data.s3.amazonaws.com/bigdata/laptop/mnist/train.csv.gz"
test_file <- "https://h2o-public-test-data.s3.amazonaws.com/bigdata/laptop/mnist/test.csv.gz"

train <- h2o.importFile(train_file)
test  <- h2o.importFile(test_file)

# To see a brief summary of the data, run the following command
summary(train)
summary(test)

y <- "C785"
x <- setdiff(names(train), y)

# We encode the response column as categorical for multinomial
#classification
train[,y] <- as.factor(train[,y])
test[,y]  <- as.factor(test[,y])

# Train a Deep Learning model and valid
system.time(
  model_cv <- h2o.deeplearning(x = x,
                               y = y,
                               training_frame = train,
                               distribution = "multinomial",
                               activation = "Rectifier",
                               hidden = c(32),
                               l1 = 1e-5,
                               epochs = 200)
)
 

三、最簡單的案例——基於iris資料集的深度學習

    本案例主要來自h2o官方手冊中，h2o.deeplearning包的示例，比較簡單易懂。如果你想看預測的資料可以用as.data.frame來變成R能識別的資料框格式。

##參考來自：h2o官方手冊,h2o.deeplearning函式的示例
library(h2o)
h2o.init()
iris.hex <- as.h2o(iris)

iris.dl <- h2o.deeplearning(x = 1:4, y = 6, training_frame = iris.hex)  #模型擬合
# now make a prediction
predictions <- h2o.predict(iris.dl, iris.hex)          #預測
as.data.frame(predictions)                             #預測資料變成資料框

performance = h2o.performance(model = iris.dl)
print(performance)

大概構成是：模型評價指標+混淆矩陣+一些指標的閾值（這個是啥？？）

看到混淆矩陣，你就差不多懂了~

> print(performance)
H2OBinomialMetrics: deeplearning
** Reported on training data. **
Description: Metrics reported on full training frame

MSE:  0.01030833
R^2:  0.9536125
LogLoss:  0.05097025
AUC:  1
Gini:  1

Confusion Matrix for F1-optimal threshold:
         0  1    Error    Rate
0      100  0 0.000000  =0/100
1        0 50 0.000000   =0/50
Totals 100 50 0.000000  =0/150

Maximum Metrics: Maximum metrics at their respective thresholds
                      metric threshold    value idx
1                     max f1  0.983179 1.000000  49
2                     max f2  0.983179 1.000000  49
3               max f0point5  0.983179 1.000000  49
4               max accuracy  0.983179 1.000000  49
5              max precision  0.999915 1.000000   0
6                 max recall  0.983179 1.000000  49
7            max specificity  0.999915 1.000000   0
8           max absolute_MCC  0.983179 1.000000  49
9 max min_per_class_accuracy  0.983179 1.000000  49

Gains/Lift Table: Extract with `h2o.gainsLift(<model>, <data>)` or `h2o.gainsLift(<model>, valid=<T/F>, xval=<T/F>)`

每每以為攀得眾山小，可、每每又切實來到起點，大牛們，緩緩腳步來俺筆記葩分享一下吧，please~

———————————————————————————