在R使用H2O應用範例

請先完成在R啟用H2O flow的設定。

以下以簡單的案例在R的環境下執行H2O套件ML的API，雖然H2O可以直接讀取local上面的檔案，但是會有資料上限的問題。 我們建議先把資料put到hdfs的系統上(請參見hdfs相關操作)，可以解決資料讀取上限的問題，並且會提高資料讀取的速度。

註:一般使用者在系統下的hdfs絕對路徑是 hdfs://nn/user/user-id/，其中user-id就是我們平台登入的帳號， 在讀取資料的時候必須用這個絕對路徑。

Step 1:Get data，在terminal下載資料檔(allyears2k.csv)，這是美國飛航資料的抽樣檔。更完整的資料

$ wget "https://s3.amazonaws.com/h2o-airlines-unpacked/allyears2k.csv"

Step 2: 把資料檔put到hdfs的系統上

$ hadoop fs -put allyears2k.csv allyears2k.csv

Step 3: 進入R，並進入h2o cluster

$ R
> library(h2o)
> h2o.init(ip="172.16.1.12", port=54323)

Step 4: 引入資料檔，並執行GLM程序，建議執行程序之前加上執行時間，實際可以了解在h2o cluster上執行工作的效能。

> hdfs.folder="hdfs://nn/user/user-id/allyears2k.csv"
> Sys.time()
> airline.hex = h2o.importFile(path=hdfs.folder, destination_frame = "airline.hex")
> Sys.time()
> names(airline.hex)

建立航班是否取消和出發機場的logistic model

> Sys.time()
> airline.glm<-h2o.glm(y = "Cancelled", x = c("Origin"), 
    training_frame = airline.hex, 
    family = "binomial", 
    nfolds = 10, alpha = 0.5)
> Sys.time()

相關的說明請參考以下連結

• H2O package doc

• H2O booklet

• 其他相關h2o應用示範

測試用大資料集

• 大氣資料

• Airlines Data