17、机器学习中的异构集成分类器与文本分类应用

机器学习中的异构集成分类器与文本分类应用

1. 异构集成分类器使用 H2O

1.1 模型训练与评估

在使用 H2O 构建异构集成分类器时，我们进行了一系列的操作。从步骤 18 到 20，使用 H2OStackedEnsembleEstimator 训练了堆叠集成模型，并在测试数据上评估了其性能。步骤 21 对所有构建的 GLM 模型在测试数据上进行评估，同样也对使用 RF 和 GBM 训练的模型进行评估。步骤 22 找出了具有最大 AUC 分数的模型。步骤 23 评估了堆叠集成模型在测试数据上的 AUC 分数，以便与单个基础学习器的性能进行比较。

1.2 交叉验证参数设置

在训练所有模型时，使用了交叉验证。通过 nfolds 选项设置交叉验证的折数，示例中使用 nfolds = 5 ，也可以设置为更高的数字。需要注意的是，构建的每个模型的折数必须相同。当指定了 nfolds 的值后，还可以为 fold_assignment 参数提供值，其取值包括 auto 、 random 、 modulo 和 stratified 。如果设置为 Auto ，算法会自动选择一个选项，目前选择的是 Random ；设置为 Random 时，会将数据随机分割成 nfolds 个集合；设置为