0009284
Visit Today : 268
This Month : 4724
Your IP Address: 3.95.131.97

h2o 예제

자세한 내용은 H2O 딥 러닝 R 테스트 코드 예제를 참조하십시오. 이전 예제에서 와 같이 모든 감독된 모델은 모델이 학습된 데이터에 대한 메트릭을 제공합니다. 마지막 예제에서는 모델 학습 중에 유효성 검사 데이터 집합도 제공되었기 때문에 이 유효성 검사 집합에는 학습의 결과로 생성되고 모델에 저장되는 추가 메트릭 집합이 있습니다. model_performance 호출을 통해 빌드 후 모델에 제공된 추가 데이터 집합은 메트릭 집합을 생성합니다. H2O 딥 러닝으로 감독되지 않은 모델을 빌드하는 방법에 대한 지침은 H2O 딥 러닝과 MNIST 변칙 검색 코드 예제를 사용하는 이상 징후 탐지에 대한 이전 자습서와 스택형 AutoEncoder R 코드 예제 및 다른 예제를 참조하십시오. AutoEncoder R 코드 예제를 사용하면 감독되지 않은 사전 교육에 사용할 수 있습니다. 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. 이 예제에서는 해당 특성에 대해 모델을 쿼리하는 방법에는 여러 가지가 있습니다. 다음은 이 작업을 수행하는 방법의 몇 가지 예입니다. 이 예제에서는 mybest_deeplearning_covtype_model이라는 디렉토리에 모델을 저장하며, 이 디렉토리는 force=TRUE 이후로 만들어집니다. H2OFrame의 작업 집합은 전용 장에서 설명되지만 일반적으로 이 작업 집합은 R data.frame에서 수행할 수 있는 작업과 매우 유사합니다.

여기에는 실제 빅 데이터가 H2O 클라우드에 있는 동안 모든 유형의 슬라이싱(복잡한 조건부 포함), 브로드캐스팅 작업 및 프레임 변환 및 변이에 대한 수많은 수학 작업이 포함됩니다. 프레임을 수정하기 위한 의미 체계는 프레임을 제자리에 변경할 때를 제외하고 R의 수정 시간 영역과 유사합니다. 예를 들어 다음 스니펫에서 설명한 것처럼 열에서 숫자 0의 모든 발생을 누락(또는 R parlance의 NA)에 할당할 수 있습니다. 출력 뉴런(2대신)을 출력합니다.