<p>我不知道为什么下面的方法不起作用</p>
<pre><code>best = grid_table.models[0]
best.actual_params["lambda"]
best.actual_params["alpha"]
</code></pre>
<p>这可能是h2o的问题,但如果将上述更改为以下内容,则至少应能够访问这些参数:</p>
^{pr2}$
<p>请注意,我已经将<code>0</code>更改为<code>x</code>,因为您需要根据您的错误标准注意哪个模型执行得最好,因为{<cd3>}中的内容可能不会根据您的错误标准进行排序。这需要您查看<code>grid_table</code>,并记下模型的id,并查看模型是如何存储在<code>grid</code>中的</p>
<p>那么您至少应该能够引用<code>lambda</code>和{<cd7>}。但是,当您在alpha上运行网格搜索并通过<code>lambda_search</code>属性<code>best.actual_params["lambda"]</code>启用对<code>lambda</code>的搜索时,将返回搜索到的lambda的完整列表。您仍然可以通过考虑Lauren的建议来引用它,但是我通常喜欢查看表中的所有内容,并建议关闭<code>lambda_search</code>并将其添加到您搜索的超参数中。在</p>
<pre><code>import numpy as np
lambda_search_range = list(np.linspace(0,1,100))
h2o_data = h2o.import_file("h2o_example.svmlight")
cols = h2o_data.columns[1:]
hyper_parameters = {"alpha": [0.0, 0.01, 0.99, 1.0],
"lambda": lambda_search_range}
grid = H2OGridSearch(H2OGeneralizedLinearEstimator(family="gamma",
link="log", lambda_search=False, nfolds=2,
intercept=True, standardize=False), hyper_params=hyper_parameters)
grid.train(y="C1", x=cols, training_frame=h2o_data)
grid_table = grid.get_grid(sort_by="r2", decreasing=True)
param_dict = grid_table.get_hyperparams_dict(grid_table.model_ids[0])
</code></pre>
<p><code>param_dict</code>应该是一个字典,它根据您指定的错误标准包含最佳模型的alpha和lambda值。在</p>