Question

我正在尝试使用h2o训练决策树模型。我知道在h2o中不存在用于决策树的特定库。

这是我在h2o中使用GBM算法时的代码，但是我可以像这样使用决策树。因为h2o中没有决策树代码。

GBMParametersV3 gbmParams = new GBMParametersV3();
gbmParams.trainingFrame = H2oApi.stringToFrameKey("train");
gbmParams.validationFrame = H2oApi.stringToFrameKey("test");

ColSpecifierV3 responseColumn = new ColSpecifierV3();
responseColumn.columnName = ATT_LABLE_IRIS;
gbmParams.responseColumn = responseColumn;

GBMV3 gbmBody = h2o.train_gbm(gbmParams);
...

那么，如何在h2o中使用决策树算法？

Answer 1

基于PUBDEV-4324 - Expose Decision Tree as a stand-alone algo in H2O，最直接的方法是使用GBM：

def add_metrics(*args):
   values = [(metric, var.get()) for metric, var in data.items() if var.get() == 1]
   print(values)

data = {}

top = Tk()

mb=  Menubutton ( top, text="Metric List:", relief=RAISED )
mb.menu  =  Menu ( mb, tearoff = 0 )
mb["menu"]  =  mb.menu

All_Metric_List = []
for m in dataframe_metrics['name']:
    All_Metric_List.append(m)

for metric in All_Metric_List:
    var = IntVar()
    mb.menu.add_checkbutton(label=metric, variable=var)
    data[metric] = var 

btn = Button(top, text="Add Metrics:", command=add_metrics)
btn.pack()

mb.pack()

top.mainloop()

可在泰坦尼克号数据集（可在此处使用：titanic_1tree = h2o.gbm(x = predictors, y = response, training_frame = titanicHex, ntrees = 1, min_rows = 1, sample_rate = 1, col_sample_rate = 1, max_depth = 5, seed = 1)）上创建最多5个深度（max_depth = 5）的决策树

从3.22.0.1（Xia）版本开始，可以从H2O模型中提取树结构：

https://s3.amazonaws.com/h2o-public-test-data/smalldata/gbm_test/titanic.csv

如何在h2o中使用决策树算法？

1 个答案: