关于H2O AutoML全数据集训练及时间序列建模的技术咨询

问题1：参数设置下的交叉验证与模型拟合逻辑 #

• 交叉验证仅在training_frame（你的train集）上执行，leaderboard_frame（test集）仅用于给训练好的模型做评分排名，完全不参与任何训练过程，包括交叉验证和模型拟合。
• H2O AutoML默认会在通过交叉验证选出最优模型后，自动使用全量训练集重新拟合该模型，这个最终模型就是AutoML输出的leader模型，可通过aml@leader调用。

问题2：无leaderboard_frame时的最终模型训练逻辑 #

即使不指定leaderboard_frame，AutoML依然会基于交叉验证选出的最优模型（包含对应的超参数），自动用全量训练集重新训练得到最终的leader模型。此时leaderboard上的分数为交叉验证的平均分数。

问题3：Kaggle时间序列竞赛（6月预测）的AutoML全量建模方案 #

针对10年小时级数据、月份影响显著的6月预测场景，可按以下步骤操作：

1. 强化时间特征工程
   • 提取核心时间特征：月份、日期、小时、星期几、节假日标记，重点构建6月专属交互特征（如月份=6与小时/星期的交叉特征）。
   • 加入时间序列统计特征：滑动窗口统计（过去24小时/7天的均值、方差、极值）、历年6月同期的均值/中位数特征（如过去10年每年6月同一小时的平均数值）、趋势特征（前N个时间步的线性拟合斜率）。
2. 时间感知的建模设置
   • 采用时间序列交叉验证：设置nfolds（比如5-10），同时指定fold_assignment = "Time"或自定义时间折叠（按年份划分，确保训练集时间早于验证集），避免数据泄露。
   • 指定竞赛对应的sort_metric（如MAE、RMSE），让AutoML优先优化该指标。
   • 可选将历年6月数据单独作为leaderboard_frame，让AutoML基于6月数据的评分排序模型，优先选择对6月拟合效果好的模型。
   • 用max_runtime_secs或max_models控制训练成本，保证覆盖主流算法（除你排除的XGBoost）。

问题4：7月专属模型的数据划分与AutoML适配 #

• 无需剔除训练集中的7月数据，保留历年7月数据能让模型学习到7月特有的模式（如季节性规律）。
• 数据集划分
  • 训练集：全量历史数据（含历年7月），严格保持时间顺序，不打乱。
  • 验证集：选择最近1-2年的7月数据，将其设为leaderboard_frame，让AutoML优先优化7月的预测效果。
• 交叉验证设置
  • 采用时间序列交叉验证：可按年份划分fold，每个fold的训练集为该年份之前的所有数据，验证集为该年份的7月数据；也可自定义fold_col列，标记每个年份的7月为验证fold，其余时间为对应fold的训练数据，设置fold_column = fold_col。
• AutoML参数适配
  • 设置leaderboard_frame为7月专属验证集，让leaderboard基于7月评分排序。
  • 开启keep_cross_validation_predictions = TRUE，便于查看各模型在7月fold上的表现。
  • 指定竞赛要求的sort_metric，确保模型优化方向符合竞赛规则。

内容的提问来源于stack exchange，提问作者Cem