3

回帰のためにRautoml()でパッケージの関数を使用しています。H2o

モデルの構築に「aml」という名前を使用していると考えてください。

aml <- h2o.automl(x=x, y=y, training_frame = train_set,
              max_models = 20, seed = 1,
              keep_cross_validation_predictions = TRUE)

のリーダーボードにautoml()は、パフォーマンスの高いモデルが表示されます。h2o.varimp() 関数を使用して予測子の重要性を出力しh2o.varimp_plot()、リーダー モデル (automl 関数によって与えられる最適なモデル) のみの関数を使用して同じグラフをプロットすることができます。

h2o.varimp(aml@leader)
h2o.varimp_plot(aml@leader)

リーダーボードのすべてのモデルの予測子の変数の重要度を出力し、上記の 2 つの関数を使用してグラフをプロットする方法はありますか?

4

1 に答える 1

4

Stacked Ensembles (通常はリーダー モデル) は変数の重要度 (ここではJIRA ) をまだサポートしていません。ただし、残りのモデルの変数の重要度は、リーダーボードのモデル ID のループで取得できます。以下の R コードを参照してください。

library(h2o)
h2o.init()

# Import a sample binary outcome train/test set into H2O
train <- h2o.importFile("https://s3.amazonaws.com/erin-data/higgs/higgs_train_10k.csv")

# Identify predictors and response
y <- "response"
x <- setdiff(names(train), y)

# For binary classification, response should be a factor
train[,y] <- as.factor(train[,y])

# Run AutoML for 10 models
aml <- h2o.automl(x = x, y = y,
                  training_frame = train,
                  max_models = 10,
                  seed = 1)

# View the AutoML Leaderboard
lb <- aml@leaderboard
print(lb, n = nrow(lb))

# Get model ids for all models in the AutoML Leaderboard
model_ids <- as.data.frame(lb$model_id)[,1]

# View variable importance for all the models (besides Stacked Ensemble)
for (model_id in model_ids) {
  print(model_id)
  m <- h2o.getModel(model_id)
  h2o.varimp(m)
  h2o.varimp_plot(m)
}
于 2019-02-25T03:24:20.187 に答える