H2O自动机器学习中搜索的超参数值是什么？

在H2O自动机器学习中，可以使用Grid Search（网格搜索）和Random Search（随机搜索）来搜索超参数的最佳值。

1. Grid Search（网格搜索）：Grid Search会遍历指定的超参数组合，并计算每个组合的模型性能。可以使用Grid Search的h2o.grid()函数来执行网格搜索。

import h2o
from h2o.grid.grid_search import H2OGridSearch

# 初始化H2O集群
h2o.init()

# 加载数据集
data = h2o.import_file(path="path_to_data.csv")

# 定义超参数网格
hyper_params = {'max_depth': [2, 5, 10], 'sample_rate': [0.9, 0.8, 0.7]}

# 创建网格搜索对象
grid_search = H2OGridSearch(model=h2o.estimators.H2ORandomForestEstimator, hyper_params=hyper_params)

# 执行网格搜索
grid_search.train(x=data.columns[:-1], y=data.columns[-1], training_frame=data)

# 获取最佳模型
best_model = grid_search.get_best_model()

2. Random Search（随机搜索）：Random Search会在指定的超参数空间中随机选择一组超参数，并计算模型性能。可以使用Random Search的h2o.grid()函数来执行随机搜索。

import h2o
from h2o.grid.grid_search import H2OGridSearch

# 初始化H2O集群
h2o.init()

# 加载数据集
data = h2o.import_file(path="path_to_data.csv")

# 定义超参数空间
hyper_params = {'max_depth': [2, 5, 10], 'sample_rate': [0.9, 0.8, 0.7]}

# 创建随机搜索对象
random_search = H2OGridSearch(model=h2o.estimators.H2ORandomForestEstimator, hyper_params=hyper_params, search_criteria={'strategy': "RandomDiscrete"})

# 执行随机搜索
random_search.train(x=data.columns[:-1], y=data.columns[-1], training_frame=data)

# 获取最佳模型
best_model = random_search.get_best_model()

在以上代码示例中，hyper_params定义了要搜索的超参数和其对应的取值范围。model参数指定了要使用的机器学习算法，例如在这里使用了H2O随机森林算法。train()函数用于训练模型，并传入训练数据集。最后，可以使用get_best_model()方法获取搜索到的最佳模型。