使用 H2O 的 AutoML

简介

H2O 是一个开源的，分布式的机器学习平台，可以被用来训练一些非常复杂的机器学习模型。H2O 也包括一个 AutoML 工具，可以自动处理一些常规的机器学习任务。

AutoML 可以自动选择数据预处理、特征工程和算法调参等机器学习过程，设计和优化复杂模型，提高模型校准能力，加速机器学习的实现过程，提高开发者和数据分析人员的生产力。

在此文中，我们将探讨如何使用 H2O 的 AutoML 来训练一个二分类问题模型。

安装 H2O

首先，需要安装 Java 和 Python，然后你可以执行下面的命令来安装 H2O。

!pip install h2o

加载数据

我们将使用 H2O 中的一个经典的数据集，可以用来预测一个人是否会违约。可以通过下面的代码来下载数据集。

import h2o

h2o.init()

url = "https://s3.amazonaws.com/h2o-public-test-data/smalldata/prostate/prostate.csv"
data = h2o.import_file(url)

这个经典的数据集包含 380 个样本和 8 个特征。

数据预处理

数据预处理是机器学习过程的重要一步。H2O 的 AutoML 工具可以自动选择和处理数据，也可以设置特定的数据预处理技术。我们可以使用下面的代码将数据集分为训练集和测试集。

train, test = data.split_frame(ratios=[.8])

注意：数据集通常应该以某种方式预处理，例如缺失值的插值、离群点的剔除或者异常值的筛选。为了简单起见，我们将不在此处展示这些步骤。

使用 AutoML

使用 H2O 的 AutoML 工具很容易。下面的代码展示了如何使用二分类问题模型（binomial）来训练一个 AutoML 模型。

from h2o.automl import H2OAutoML

automl = H2OAutoML(max_runtime_secs=30)
automl.train(y="CAPSULE", training_frame=train)

在这个例子中，我们让模型运行 30 秒钟（变量 max_runtime_secs），训练目标是 CAPSULE 这一列。

查看自动化结果

一旦训练完成，可以使用下面的代码来查看自动化结果。

print(automl.leaderboard)

这个命令会输出一个列表，包含每个已训练的模型及其性能指标。您可以使用此列表查看哪个模型效果最好。

将模型应用于新数据

模型训练完后，可以将其应用于新数据。使用下面的代码来评估训练好的模型在测试集上的性能表现：

perf = automl.leader.model_performance(test_data=test)

print(perf)

这个命令会产生一些性能指标，并显示模型在测试集上的性能表现。

保存和恢复模型

使用下面的代码可以保存模型，以便日后使用。

h2o.save_model(model=automl.leader, path="./automl_model")

使用下面的代码可以恢复模型：

loaded_model = h2o.load_model("./automl_model")

总结

使用 H2O 的 AutoML 工具可以自动处理实现机器学习的过程，提高了数据分析师和开发人员的生产力。这个工具对于初学者和专业人士都非常有用。可以使用上述步骤开始使用此工具，实现二分类问题的自动训练过程，快速找出最佳模型以及将其应用于新数据，提高机器学习的效率。