11、H2O 模型训练参数与方法详解

H2O 模型训练参数与方法详解

1. 早停法与交叉验证结合

当早停法与交叉验证结合使用时，它会在每个交叉验证模型上应用早停标准。之后，会计算出最优的树数量或训练轮数（epochs），并在不使用早停法的情况下构建最终模型。不过，如果模型质量在每次运行时随机波动较大，有时可能会得到奇怪的结果。

2. 检查点（Checkpoints）

检查点是 H2O 一个非常实用的功能。假设你花 10 分钟训练一个神经网络，测试后发现比只训练 5 分钟的模型有了提升，你可能想知道训练 15 分钟会怎样。传统方式可能需要 30 分钟才能了解这三个阶段的情况。而使用 H2O 的检查点功能，你可以先训练 5 分钟，停止并测试，再接着训练 5 分钟得到近似 10 分钟训练的模型，最后再训练 5 分钟得到 15 分钟训练的模型，同样的三个模型，时间却缩短了一半。

涉及的两个变量如下：
- model_id ：模型的名称。如果未指定，会随机生成一个。建议在使用 H2O 进行任何重要工作时，都设置 model_id，这样便于在 Flow 中查找模型，或者在磁盘上找到保存的模型。POJOs 也会根据 model_id 命名。不过，不要在 model_id 中放入过多信息，否则其作用会降低。如果想放入超过三个参数，或许可以考虑直接给模型起个名字，如 “DL:extra - deep” 等。
- checkpoint ：前一个模型的 ID（该模型必须当前在你的 H2O 集群上），作为新模型训练的起点。

检查点的工作方式是，定义一个新模型，使用相同的参数（通常情况），但增加训练轮数（