stopping_tolerance、score_each_iteration、score_tree_interval 等的 H2O 文档问题
H2O document question for stopping_tolerance, score_each_iteration, score_tree_interval, etc
在阅读了h2o文档后，我有以下问题仍然困扰着我。谁能给我解释一下
- 对于stopping_tolerance = 0.001，我们以AUC为例，当前AUC为0.8。那是说AUC需要增加0.8+0.001还是需要增加0.8*(1+0.1%)？
- score_each_iteration，在 H2O 文档中
(http://docs.h2o.ai/h2o/latest-stable/h2o-docs/data-science/algo-params/score_each_iteration.html) 它只是说 "iteration"。但是每个的定义到底是什么
"iteration"，就是每棵树或者每格搜索或者每K个文件夹
交叉验证或其他？
- 我可以定义 score_tree_interval 并设置 score_each_iteration = True
同时或者我只能使用其中一个来制作网格
搜索可重复？
- 放'stopping_metric'有什么区别吗,
'stopping_tolerance'、'stopping_rounds' 中
H2OGradientBoostingEstimator 与 H2OGridSearch search_criteria 中的对比？
我发现放入 H2OGradientBoostingEstimator 将使代码 运行
当我在 Spark 环境中测试它时要快得多
0.001 与 0.1% 相同，因为 AUC 越大越好，您会希望在指定的评分轮数后看到至少增加 .001。
您已链接到文档的一部分，该文档特定于页面顶部 Available in 中列出的算法。因此，让我们坚持针对单个模型而不是网格搜索来回答这个问题。如果您想查看每次迭代的评分，请查看 Flow 中的模型结果或使用 my_model.plot()（对于 python api）查看评分在每次迭代中。对于 GBM 和 DRF，这将是 ntrees，但由于不同的算法会有不同的方面，因此使用迭代一词，因为它更通用。
你测试了吗？当你这样做的时候你发现了什么？查看 flow 中的评分历史记录图，注意当您同时设置 score_tree_interval 和 score_each_iteration = True 与仅设置 score_tree_interval 时会发生什么（我建议尝试理解这些参数在使用网格搜索之前在单个模型级别）。
是的，在网格搜索的情况下，如果您在构建单个模型时指定提前停止，那么您会指示是否不构建更多模型。
在阅读了h2o文档后，我有以下问题仍然困扰着我。谁能给我解释一下
- 对于stopping_tolerance = 0.001，我们以AUC为例，当前AUC为0.8。那是说AUC需要增加0.8+0.001还是需要增加0.8*(1+0.1%)？
- score_each_iteration，在 H2O 文档中 (http://docs.h2o.ai/h2o/latest-stable/h2o-docs/data-science/algo-params/score_each_iteration.html) 它只是说 "iteration"。但是每个的定义到底是什么 "iteration"，就是每棵树或者每格搜索或者每K个文件夹 交叉验证或其他？
- 我可以定义 score_tree_interval 并设置 score_each_iteration = True 同时或者我只能使用其中一个来制作网格 搜索可重复？
- 放'stopping_metric'有什么区别吗, 'stopping_tolerance'、'stopping_rounds' 中 H2OGradientBoostingEstimator 与 H2OGridSearch search_criteria 中的对比？ 我发现放入 H2OGradientBoostingEstimator 将使代码 运行 当我在 Spark 环境中测试它时要快得多
0.001 与 0.1% 相同，因为 AUC 越大越好，您会希望在指定的评分轮数后看到至少增加 .001。
您已链接到文档的一部分，该文档特定于页面顶部
Available in中列出的算法。因此，让我们坚持针对单个模型而不是网格搜索来回答这个问题。如果您想查看每次迭代的评分，请查看 Flow 中的模型结果或使用 my_model.plot()（对于 python api）查看评分在每次迭代中。对于 GBM 和 DRF，这将是 ntrees，但由于不同的算法会有不同的方面，因此使用迭代一词，因为它更通用。你测试了吗？当你这样做的时候你发现了什么？查看 flow 中的评分历史记录图，注意当您同时设置 score_tree_interval 和 score_each_iteration = True 与仅设置 score_tree_interval 时会发生什么（我建议尝试理解这些参数在使用网格搜索之前在单个模型级别）。
是的，在网格搜索的情况下，如果您在构建单个模型时指定提前停止，那么您会指示是否不构建更多模型。