H20: как использовать градиентное усиление для текстовых данных?

Я пытаюсь реализовать очень простую проблему обучения ML, где я использую текст, чтобы предсказать какой-то результат. В R некоторые основные примеры будут:

импортировать поддельные, но забавные текстовые данные

library(caret)
library(dplyr)
library(text2vec)

dataframe <- data_frame(id = c(1,2,3,4),
                        text = c("this is a this", "this is 
                        another",'hello','what???'),
                        value = c(200,400,120,300),
                        output = c('win', 'lose','win','lose'))

> dataframe
# A tibble: 4 x 4
     id            text value output
  <dbl>           <chr> <dbl>  <chr>
1     1  this is a this   200    win
2     2 this is another   400   lose
3     3           hello   120    win
4     4         what???   300   lose

использование text2vec чтобы получить разреженное матричное представление моего текста (см. также https://github.com/dselivanov/text2vec/blob/master/vignettes/text-vectorization.Rmd)

#these are text2vec functions to tokenize and lowercase the text
prep_fun = tolower
tok_fun = word_tokenizer 

#create the tokens
train_tokens = dataframe$text %>% 
  prep_fun %>% 
  tok_fun

it_train = itoken(train_tokens)     
vocab = create_vocabulary(it_train)
vectorizer = vocab_vectorizer(vocab)
dtm_train = create_dtm(it_train, vectorizer)

> dtm_train
4 x 6 sparse Matrix of class "dgCMatrix"
  what hello another a is this
1    .     .       . 1  1    2
2    .     .       1 .  1    1
3    .     1       . .  .    .
4    1     .       . .  .    .

Наконец, обучаем алгоритм (например, используя caret) предсказывать output используя мою разреженную матрицу.

mymodel <- train(x=dtm_train, y =dataframe$output, method="xgbTree")

> confusionMatrix(mymodel)
Bootstrapped (25 reps) Confusion Matrix 

(entries are percentual average cell counts across resamples)

          Reference
Prediction lose  win
      lose 17.6 44.1
      win  29.4  8.8

 Accuracy (average) : 0.264

Моя проблема:

Я вижу, как импортировать данные в h20 с помощью spark_read_csv, rsparkling а также as_h2o_frame, Однако по пунктам 2. и 3. выше я полностью потерялся.

Может кто-нибудь, пожалуйста, дайте мне несколько советов или скажите, если этот подход вообще возможен h2o?

Большое спасибо!!

Источник

1 ответ

Решение

Вы можете решить эту проблему одним из двух способов: 1. сначала в R, а затем перейти к H2O для моделирования или 2. Полностью в H2O, используя реализацию word2vec в H2O.

Используйте R data.frames и text2vec, затем преобразуйте разреженную матрицу в кадр H2O и выполните моделирование в H2O.

 # Use same code as above to get to this point, then:

 # Convert dgCMatrix to H2OFrame, cbind the response col
 train <- as.h2o(dtm_train)
 train$y <- as.h2o(dataframe$output)

 # Train any H2O model (e.g GBM)
 mymodel <- h2o.gbm(y = "y", training_frame = train,
                   distribution = "bernoulli", seed = 1)

Или вы можете обучить вложение word2vec в H2O, применить его к своему тексту, чтобы получить эквивалент разреженной матрицы. Затем обучите модель машинного обучения H2O (GBM). Позже я попытаюсь отредактировать этот ответ на рабочем примере с использованием ваших данных, но пока приведу пример, демонстрирующий использование функциональности word2vec в H2O в R.

Источник
Другие вопросы по тегам