13、随机森林模型调优与网格搜索实践

随机森林模型调优与网格搜索实践

1. 网格搜索基础

在Python中，打印 g 或 g_r2 可以获取所有模型。而在R中，打印网格目前仅显示最佳的6个和最差的6个模型。若模型数量超过12个，需要使用如下代码下载：

as.data.frame( g_r2@summary_table )

H2O中的网格本质上是一组嵌套循环（或另一种形式的随机参数选择）。虽然可以在几分钟内自行编写解决方案，但H2O的网格在Flow中有独立的顶级菜单， g 对象是存储模型的良好容器，并且API提供了用于比较模型的表格。不过，若需要更高的灵活性，也可以自己编写循环。

1.1 RandomDiscrete模式

当超参数过多，无法穷举所有组合时，可以使用“RandomDiscrete”模式。此模式会随机在不同组合间跳转，需要额外的参数来控制停止条件，至少指定以下之一：
- max_models ：构建指定数量的模型后停止。
- max_runtime_secs ：运行指定时长后停止。
- stopping_metric ：如AUTO、错误分类率等。
- stopping_tolerance ：例如0.0001，表示指定指标至少提升0.01%。
- stopping_rounds ：例如5，结合 st