应用堆叠集成时，H2O 如何权衡基础学习者？
How does H2O weigh base learners when stacking ensemble is applied?
H2O 如何确定基础学习器的权重？对于实验。在 example 中，所有基础学习器的权重都一样吗？我有机会在 metalearner_algorithm 中使用正则化参数（例如 ridge）吗？避免过度拟合的最佳方法是什么？
stacked ensemble 的主要思想（以及它与其他类型的集成的区别，例如随机森林、GBM、simple averaging of confidences）是它使用另一种机器学习模型来确定如何加权基础学习者。 （另一个模型是元学习者。）
对于你的第二个问题，你目前无法指定任何参数，但有 a ticket for it，因此很有可能在接下来的几个月内可用。
与此同时，我想说注意基础模型中的过度拟合比元学习器中的正则化更重要。
H2O 如何确定基础学习器的权重？对于实验。在 example 中，所有基础学习器的权重都一样吗？我有机会在 metalearner_algorithm 中使用正则化参数（例如 ridge）吗？避免过度拟合的最佳方法是什么？
stacked ensemble 的主要思想（以及它与其他类型的集成的区别，例如随机森林、GBM、simple averaging of confidences）是它使用另一种机器学习模型来确定如何加权基础学习者。 （另一个模型是元学习者。）
对于你的第二个问题，你目前无法指定任何参数，但有 a ticket for it，因此很有可能在接下来的几个月内可用。
与此同时，我想说注意基础模型中的过度拟合比元学习器中的正则化更重要。