python 导入模型h20_H2O的机器学习-快速使用

利用R(CRAN)及Python安装H2O

启动R输入：

install.packages('h2o')

我安装过程中没有其他兼容包的使用，选择好镜像回撤就可以。

稍微有点大。

如果在Python中安装，直接使用

pip install h2o

因为我主要在R中应用，这里不做过多叙述。

2. 载入h2o库

R中输入：

library(h2o)

Python中输入：

import h2o

检查是否正确安装及工作正常，如果一切正常(没有报错)，则进行下一部分，床上看基本设置信息：

h2o.init()

如果这样基本运行ok了。还有一些系统调节函数可以使用：

h2o.shutdown()

h2o.init(threads = -1, maxmemsize = '4g')

第一行主要判读H2O是否被启动；

第二行主要是调节相关参数，内存及线程等信息。

备注：Python中运行代码一致

3. 快速使用

该部分主要通过R中进行展示，python的部分代码在后面给出，但不会过多解释；

这里会通过一个实际案例，包括下载数据、准备数据、搭建多层神经网络模型及预测。

3.1 使用数据介绍

使用的数据是大部分R用户熟悉的Iris数据，R程序中自带这部分数据，但为了保证python用户使用，使用从网络断load数据进来的方法。

)library(h2o)

h2o.init(nthreads = -1)

## 修改文件路径

datasets = '/Users/zhangpeng/Desktop/h2o/datasets/iris_wheader.csv'

## 导入数据

data = h2o.importFile(datasets)

## 定义要学习字段名称

y = 'class'

## 导入的特征名称

x = c('sepal_len','sepal_wid','petal_len','petal_wid')

## 分割训练数据及测试数据，返回的是一个列表形式，

parts = h2o.splitFrame(data, 0.8)

train = parts[[1]]

test = parts[[2]]

## 训练模型，使用的是默认参数，每一次模型结果有差异，可以通过set.seed来重新结果

m = h2o.deeplearning(x, y, train)

## 可以参看具体参数mse

summary(m)

## 预测结果

p = h2o.predict(m, test)

## 制作模型结果的混淆矩阵

h2o.confusionMatrix(m)

h2o.performance(m)

## 制作训练结果的混淆矩阵

table(cbind(as.data.frame(p$predict), as.data.frame(test$class)))

对于模型使用summary可以看到相关系数的结果，具体后期会进行说明

下面为Python部分的代码，该部分没有测试；

import h2o

h2o.init()

datasets = '/Users/zhangpeng/Desktop/h2o/datasets/iris_wheader.csv'

data = h2o.import_file(datasets)

y = 'class'

x = ['sepal_len','sepal_wid','petal_len','petal_wid']

train, test = data.split_frame([0.8])

m = h2o.estimators.deeplearning.H2ODeepLearningEstimator()

m.train(x, y, train)

p = m.predict(test)

m.confusion_matrix(train)