Zillow（房產(chǎn)估價網(wǎng)站）和Kaggle最近組織了一項100萬美元的競賽來改進Zestimate（Zillow自行開發(fā)的一套計算機系統(tǒng)）。此教程使用了H2O的AutoML生成解決方案的公共Domino項目。

　　新的Kaggle Zillow Price競賽獲得了大量的媒體關(guān)注。正如他們在競賽描述中說的，改進這一估計可以更準(zhǔn)確地影響美國近1.1億家庭的價值！

　　此教程采用的是一個腳本take_my_job.R，它使用了令人吃驚的H2O AutoML框架。

　　H2O的機器學(xué)習(xí)庫是行業(yè)的領(lǐng)導(dǎo)者，他們最近將AI推向大眾的是AutoML功能。通過單個函數(shù)調(diào)用，它可以并行地訓(xùn)練許多模型，將它們集合在一起，并構(gòu)建強大的預(yù)測模型。

　　代碼只有36行：

　　01library（data.table）

　　02library（h2o）

　　03

　　04data_path 《- Sys.getenv（“DOMINO_EARINO_ZILLOW_HOME_VALUE_PREDICTION_DATA_WORKING_DIR”）

　　05

　　06properties_file 《- file.path（data_path， “properties_2016.csv”）

　　07train_file 《- file.path（data_path， “train_2016.csv”）

　　08properties 《- fread（properties_file， header=TRUE， stringsAsFactors=FALSE，

　　09 colClasses = list（character = 50））

　　10train 《- fread（train_file）

　　11

　　12properties_train = merge（properties， train， by=“parcelid”，all.y=TRUE）

　　在前12行中，設(shè)置了開發(fā)環(huán)境，并將數(shù)據(jù)導(dǎo)入為R data.table對象。使用第4行中的Domino環(huán)境變量功能，無需對腳本中的任何路徑進行硬編碼，因為硬編碼路徑通常會導(dǎo)致重大挑戰(zhàn)。

　　在第12行，通過將屬性文件與訓(xùn)練數(shù)據(jù)集合并創(chuàng)建訓(xùn)練集，其中包含我們將要預(yù)測的logerror列。

　　14h2o.init（nthreads = -1）

　　15

　　16Xnames 《- names（properties_train）［which（names（properties_train）！=“l(fā)ogerror”）］

　　17Y 《- “l(fā)ogerror”

　　18

　　19dx_train 《- as.h2o（properties_train）

　　20dx_predict 《- as.h2o（properties）

　　21

　　22md 《- h2o.automl（x = Xnames， y = Y，

　　23 stopping_metric=“RMSE”，

　　24 training_frame = dx_train，

　　25 leaderboard_frame = dx_train）

　　這個代碼塊是利用H2O的AutoML基礎(chǔ)設(shè)施所需要的！

　　在第14行，我們正在初始化H2O以使用與機器有核心一樣多的線程。第16和17行用于設(shè)置預(yù)測變量和響應(yīng)變量的名稱。在第19和20行，我們將我們的data.table對象上傳到H2O（首先可以避免使用h2o.importFile）。在第22-25行中，我們告訴H2O在訓(xùn)練數(shù)據(jù)集上建立我們可以使用RMSE作為早期停止度量的最好的模型。

　　27properties_target《- h2o.predict（md@leader， dx_predict）

　　28predictions 《- round（as.vector（properties_target$predict）， 4）

　　29

　　30result 《- data.frame（cbind（properties$parcelid， predictions， predictions * .99，

　　31 predictions * .98， predictions * .97， predictions * .96，

　　32 predictions * .95））

　　33

　　34colnames（result）《-c（“parcelid”，“201610”，“201611”，“201612”，“201710”，“201711”，“201712”）

　　35options（scipen = 999）

　　36write.csv（result， file = “submission_automl.csv”， row.names = FALSE ）

　　在第27行，我們使用訓(xùn)練有素的AutoML對象來預(yù)測我們的回應(yīng)。然后，我們將答案舍入為4位精度，構(gòu)建結(jié)果數(shù)據(jù)框架，設(shè)置名稱并寫出來。

　　掛羊頭賣狗肉，我們添加的只有1位是1％，收縮在每一行的LOGERROR，并假設(shè)Zillow的團隊總是使他們的模型更好一點。

　　在沒有任何輸入的情況下，這個包建立一個提供公開排行榜得分的模型0.0673569。這不驚人，但是考慮到我甚至沒有看過數(shù)據(jù)，這是非常出色的。匯集H2O的算法以及靈活的可擴展計算和易于環(huán)境配置的Domino使該項目快速簡便！

　　自己動手嘗試

　　歡迎您分享這個公共項目，將其作為起點，然后操作它。只需點擊幾下，代碼和環(huán)境就可以在Domino上使用。

　　不幸的是，根據(jù)Kaggle的嚴(yán)格規(guī)定，我們無法為您提供數(shù)據(jù)。為了使用數(shù)據(jù)，您將必須：轉(zhuǎn)到Kaggle數(shù)據(jù)頁并下載。

　　將其上傳到Domino數(shù)據(jù)項目或直接插入到您的分支項目中。

　　修改第4行take_my_job.R以設(shè)置文件的基本路徑。如果你只是把它放到你的項目中，只需將它設(shè)置為“。/”，如果你正在使用一個數(shù)據(jù)項目，只需修改我引用的環(huán)境變量。

　　雖然手動制作的解決方案在Kaggle排行榜上的得分明顯優(yōu)于這種解決方案，但仍然令人興奮的是，全自動化解決方案的效果相當(dāng)不錯。全自動數(shù)據(jù)科學(xué)的未來令人期待，我們迫不及待地繼續(xù)支持社區(qū)開發(fā)的驚人工具！