You need to enable JavaScript to run this app. 如何在mlr框架中调整h2o深度学习模型的训练参数
优惠活动
大模型
产品
解决方案
定价
更多

如何在mlr框架中调整h2o深度学习模型的训练参数

问题原因

你运行报错的核心原因是混淆了参数集对象和固定参数的传入规则:makeParamSet()生成的ParamSet类对象是为后续超参数搜索(如网格搜索、随机搜索)准备的,不能直接传入makeLearner的par.vals参数。

两种使用场景的正确写法

场景1:固定设置训练参数,不需要做超参数搜索

如果只是要把自定义的参数固定传入h2o深度学习模型,不需要后续调参,直接把参数以键值对形式传入par.vals即可,示例代码如下:

library(mlr)
library(h2o)
# 先初始化h2o实例
h2o.init()
h2o.no_progress()

# 构造数据集
data <- data.frame(
  x = rnorm(144),
  y = rnorm(144),
  z = rnorm(144),
  Factor1 = as.factor(rep(c("A", "B"), each = 36)),
  Factor2 = as.factor(rep(c(rep("Red", 18), rep("Blue", 18)), 4)),
  Response = as.factor(rep(c(rep(1, 11), rep(0, 7), rep(0, 18)), 4))
)

# 创建任务
Task <- makeClassifTask(data = data, target = "Response")
# 自定义参数直接以键值对传入par.vals
Lrn <- makeLearner("classif.h2o.deeplearning", 
                   predict.type = "prob",
                   par.vals = list(
                     epochs = 50,
                     nfolds = 3, 
                     score_interval = 1, 
                     stopping_rounds = 5, 
                     stopping_metric = "misclassification",
                     stopping_tolerance = 1e-3
                   ))
# 训练模型
Mod <- train(Lrn, Task)

场景2:需要对参数进行超参数搜索

如果要对部分参数的取值范围做搜索调优,才需要用到makeParamSet定义参数搜索空间,配合调参函数使用,示例如下(注意epochs是整数类型,用makeIntegerParam定义更合理,避免生成非整数值的参数):

library(mlr)
library(h2o)
h2o.init()
h2o.no_progress()

# 构造数据集、任务同上
data <- data.frame(
  x = rnorm(144),
  y = rnorm(144),
  z = rnorm(144),
  Factor1 = as.factor(rep(c("A", "B"), each = 36)),
  Factor2 = as.factor(rep(c(rep("Red", 18), rep("Blue", 18)), 4)),
  Response = as.factor(rep(c(rep(1, 11), rep(0, 7), rep(0, 18)), 4))
)
Task <- makeClassifTask(data = data, target = "Response")

# 定义基础学习器,固定不需要调的参数
Lrn <- makeLearner("classif.h2o.deeplearning", 
                   predict.type = "prob",
                   par.vals = list(
                     nfolds = 3, 
                     score_interval = 1, 
                     stopping_rounds = 5, 
                     stopping_metric = "misclassification",
                     stopping_tolerance = 1e-3
                   ))
# 定义要搜索的参数空间,比如搜索epochs在10到100之间的最优值
param_set <- makeParamSet(
  makeIntegerParam("epochs", lower = 10, upper = 100)
)
# 定义搜索方法、验证方法
ctrl <- makeTuneControlRandom(maxit = 5)
rdesc <- makeResampleDesc("CV", iters = 3)

# 执行调参
tune_res <- tuneParams(Lrn, Task, resampling = rdesc, par.set = param_set, control = ctrl)

# 用最优参数生成最终学习器,训练模型
Lrn_opt <- setHyperPars(Lrn, par.vals = tune_res$x)
Mod <- train(Lrn_opt, Task)

内容的提问来源于stack exchange,提问作者Electrino

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.21 01:15:03