10、数据科学与H2O机器学习通用参数详解

数据科学与H2O机器学习通用参数详解

数据集合概述

在数据处理实践中，我们会遇到各式各样的数据集合。部分数据集合在获取时就已经具备良好的结构，而另一些则需要我们投入更多精力去处理，这也是现实世界数据科学的常态。

有三个不同的数据集合值得关注。其中一个数据集合中有50%的数据来自美国高中生，相关字段包括 “Div”, “HS1”, “AS1”, “HST1”, “AST1”, “HF1”, “AF1”, “HC1”, “AC1”, “HY1”, “AY1”, “HR1”, “AR1”, “res1H”, “res1A”, “res5H”, “res5A”, “res20H”, “res20A” 等。目标变量 y 可以有不同的选择，如 “FTR”（三值多项分布）、”ScoreDraw”（不平衡二项分布），这里我们选择 “HomeWin”（平衡二项分布）。

这些数据的来源也十分广泛，其原始数据从GitHub上的Football Data仓库下载，该仓库遵循MIT许可，数据的源头包括International Soccer Server、European Football、RSSSF Archive、TBWSport和Livescore等。

不同的数据集合面临着不同的挑战：
- 建筑能源数据 ：主要挑战在于数据样本数量较少，且每个预测字段是不连续的。当我们选取数据子集时，很容易出现数据不具代表性的情况。
- MNIST数据 ：主要问题是手写数字的书写风格差异较大，而且784像素的行数据属于低层次特征，难以学习。虽然我们添加了113个特征，但这些