python - h2o 检查点到底有什么作用？

Question

h2o 检查点实际上有什么作用？是否使用 say 创建的模型

gbm_continued = H2OGradientBoostingEstimator(checkpoint= gbm_orig.model_id, ntrees = 50, seed = 1234)

如果我们不对任何新数据进行训练，gbm_continued 将具有与 gbm_orig 相同的参数和预测性能？

docs ，说“这将构建一个新模型作为先前生成的模型的延续”，但我对“延续”的实际含义感到困惑。如果有解释，我们将不胜感激。谢谢

Answer 1

关键参数是ntrees(深度学习模型的epochs)。我将引用我自己的书(Practical Machine Learning with H2O，p.103):

When specifying epochs, or the number of trees, specify the total amount of training you want if you had started from scratch, not how many additional epochs or trees you want.

因此，就您的情况而言，如果您的原始模型是用 50 棵树制作的，那么您的新模型实际上只会复制现有模型。但是，如果您的原始模型是使用 ntrees = 20 创建的，并且您的新模型使用它作为检查点，但使用 ntrees = 50，那么它将向模型添加 30 棵树。

某些参数必须保持不变，但有些参数可以更改。例如。你可能会降低学习率。