[英]Parameter optimization in R and H2O
我需要在 RH2o 上對 gbm 模型進行參數優化。 我對 H2o 比較陌生,我認為我需要在執行以下操作之前將 ntrees 和 learn_rate(below) 轉換為 H2o 向量。 如何執行此操作? 謝謝!
ntrees <- c(100,200,300,400)
learn_rate <- c(1,0.5,0.1)
for (i in ntrees){
for j in learn_rate{
n = ntrees[i]
l= learn_rate[j]
gbm_model <- h2o.gbm(features, label, training_frame = train, validation_frame = valid, ntrees=ntrees[[i]],max_depth = 5,learn_rate=learn_rate[j])
print(c(ntrees[i],learn_rate[j],h2o.mse(h2o.performance(gbm_model, valid = TRUE))))
}
}
您可以使用h2o.grid()
進行網格搜索
# specify your hyper parameters
hyper_params = list( ntrees = c(100,200,300,400), learn_rate = c(1,0.5,0.1) )
# then build your grid
grid <- h2o.grid(
## hyper parameters
hyper_params = hyper_params,
## which algorithm to run
algorithm = "gbm",
## identifier for the grid, to later retrieve it
grid_id = "my_grid",
## standard model parameters
x = features,
y = label,
training_frame = train,
validation_frame = valid,
## set a seed for reproducibility
seed = 1234)
您可以在 R 文檔http://docs.h2o.ai/h2o/latest-stable/h2o-r/h2o_package.pdf 中閱讀有關 h2o.grid() 如何工作的更多信息
勞倫的答案,使用網格,是這里最好的答案。 我將很快指出,您所寫的是一種可用的方法,並且當網格不做您需要的事情時,您可以依靠這種方法。
您的示例不包含任何數據(請參閱https://stackoverflow.com/help/mcve )所以我無法運行它,但我糾正了我注意到的幾個語法問題(R 的 for-in 循環直接為您提供值,而不是索引和第二個 for 循環周圍的括號):
ntrees <- c(100,200,300,400)
learn_rate <- c(1,0.5,0.1)
for (n in ntrees){
for (l in learn_rate){
gbm_model <- h2o.gbm(
features, label, training_frame = train, validation_frame = valid,
ntrees = n,max_depth = 5,learn_rate = l
)
print(c(n,l,h2o.mse(h2o.performance(gbm_model, valid = TRUE))))
}
}
像這樣使用嵌套循環的一個例子是,當您想跳過某些組合時。 例如,您可能決定僅以 0.1 的學習率測試 100 個 ntree,這將如下所示:
ntrees <- c(100,200,300,400)
learn_rate <- c(1,0.5,0.1)
for (n in ntrees){
for (l in learn_rate){
if(l == 0.1 && n > 100)next #Skip when n is 200,300,400
gbm_model <- h2o.gbm(
features, label, training_frame = train, validation_frame = valid,
ntrees = n,max_depth = 5,learn_rate = l
)
print(c(n,l,h2o.mse(h2o.performance(gbm_model, valid = TRUE))))
}
}
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.