이 자습서의 목적은 R을 통해 H2O의 사용을 보여 주는 예제를 통해 새 사용자를 안내 하는 것입니다. 목표는 파일 가져오기 및 구문 분석, 모델 지정 및 모델 출력 가져오기를 포함하여 H2O의 기본 구문을 학습하는 것입니다. 아래 의 예 (소스)는 숨겨진 층과 뉴런의 수의 3 가지 토폴로지, l1 정규화의 2 가지 값을 보여줍니다. 따라서 모델 Model_Grid1은 6개의 서로 다른 모델을 학습합니다. 예를 들어, 얼굴 감지 작업의 경우 원시 입력은 일반적으로 픽셀 값의 벡터입니다. 첫 번째 추상화는 빛과 음영의 픽셀을 식별할 수 있습니다. 두 번째 추상화는 가장자리와 모양을 식별할 수 있습니다. 제3추상화는 이러한 가장자리와 모양을 함께 넣어 눈, 코와 같은 부분을 형성할 수 있다. 다음 추상화는 이러한 부분을 함께 넣어 얼굴을 형성할 수 있습니다. 따라서 복잡한 표현은 더 간단한 표현의 구성을 사용하여 학습됩니다. R 언어의 놀라운 특징 중 하나는 적응성입니다. R의 인기에 의해 동기를 부여하고 다른 플랫폼에서 작업 R의 표현 력과 투명성 개발자에 의해 도움 은 R의 강점을 보완 소프트웨어에 원활한 인터페이스를 제공하는 무한창의성처럼 보이는 것을 표시합니다. 0xdata의 H2O 소프트웨어(아파치 2.0 라이선스)에 연결되는 H2O R 패키지는 이러한 창의성의 예입니다.

예제와 같은 다른 섹션으로 진행하기 전에 시작 하기 섹션을 검토 하는 것이 좋습니다. 최소한 사용자는 다른 예제를 실행하기 전에 다음 명령을 실행해야 합니다.H2O 라이브러리 및 H2O 개체(예제에서 “localH2O”라는 이름은 R에서 대부분의 예제에서 작동해야 함). 단지 몇 라이너는 할 것입니다 … gbm을 사용하여 단일 값을 예측할 수 있는 방법은 다음과 같습니다. H2O의 GLM 알고리즘은 올가미, 능선, 로지스틱, 선형 등과 같은 모든 유형의 회귀에 사용할 수 있습니다. 사용자는 그에 따라 패밀리 매개 변수를 수정하기만 합니다. 예: 로지스틱 회귀를 수행하려면 패밀리 = “이항”을 작성할 수 있습니다. 스토커틱 그라데이션 하강은 비용을 최소화하기 위해 무작위 학습 세트 샘플을 반복적으로 사용합니다. 이 작업은 출력 계층에서 입력 계층으로 뒤로 이동하여 수행하며 역전파라고 합니다. 역전파는 스토카스틱 그라데이션 하강 알고리즘을 사용하여 심층 네트워크를 학습합니다. 좋아, 난 그것을 얻을. data.table은 데이터 탐색 및 조작을 수행할 수 있도록 지원합니다.

그러나 모델 빌드는 어떻습니까? 나는 8기가바이트 RAM으로 작동합니다. 임의 포리스트 (ntrees = 1000)와 같은 알고리즘은 800,000 행으로 내 데이터 세트에서 영원히 실행됩니다. R H2O 패키지는 REST API를 통해 H2O JVM과 통신합니다. R은 RCurl 명령을 보내고 H2O는 JSON 응답을 다시 보냅니다. 그러나 데이터 수집은 REST API를 통해 수행되지 않습니다. 대신 R 사용자는 H2O KV 저장소에 데이터를 직접 구문 분석하는 함수를 호출합니다.