Wie Epoch Hyperparameter von Raster-Suchergebnis

Question

zu bestimmen Ich habe eine Rastersuche mit Epochen als einer der Hyper-Parameter ausgeführt. Wie kann ich nun nach Auswahl des besten Modells feststellen, welche Epoche für dieses spezielle Modell ausgewählt wurde?

Im Folgenden finden Sie die Zusammenfassung der Modelldetails Modell : ==============

H2OBinomialModel: deeplearning 
Model ID: dl_grid_model_19 
Status of Neuron Layers: predicting Churn, 2-class classification, bernoulli distribution, CrossEntropy loss, 4,226 weights/biases, 44.1 KB, 47,520 training samples, mini-batch size 1 
    layer units    type dropout  l1  l2 mean_rate rate_rms momentum mean_weight weight_rms 
1  1 30   Input 0.00 %                  
2  2 32 RectifierDropout 20.00 % 0.000010 0.000010 0.009995 0.000000 0.501901 -0.011006 0.210611 
3  3 32 RectifierDropout 20.00 % 0.000010 0.000010 0.009995 0.000000 0.501901 -0.035854 0.191687 
4  4 32 RectifierDropout 20.00 % 0.000010 0.000010 0.009995 0.000000 0.501901 -0.029072 0.185352 
5  5 32 RectifierDropout 20.00 % 0.000010 0.000010 0.009995 0.000000 0.501901 -0.057359 0.186863 
6  6  2   Softmax   0.000010 0.000010 0.009995 0.000000 0.501901 0.122655 0.406789 
    mean_bias bias_rms 
1     
2 0.401924 0.136989 
3 0.938406 0.041128 
4 0.950918 0.043826 
5 0.915588 0.060796 
6 0.019925 0.175195 


H2OBinomialMetrics: deeplearning 
** Reported on training data. ** 
** Metrics reported on full training frame ** 

MSE: 0.1946901 
RMSE: 0.441237 
LogLoss: 0.5731371 
Mean Per-Class Error: 0.194215 
AUC: 0.8767996 
Gini: 0.7535992 

Confusion Matrix for F1-optimal threshold: 
     No Yes Error  Rate 
No  1755 614 0.259181 =614/2369 
Yes  308 2075 0.129249 =308/2383 
Totals 2063 2689 0.194024 =922/4752 

Maximum Metrics: Maximum metrics at their respective thresholds 
         metric threshold value idx 
1      max f1 0.216316 0.818218 266 
2      max f2 0.058723 0.889206 348 
3     max f0point5 0.306487 0.801744 216 
4     max accuracy 0.217122 0.805976 265 
5    max precision 0.730797 1.000000 0 
6     max recall 0.006754 1.000000 398 
7    max specificity 0.730797 1.000000 0 
8    max absolute_mcc 0.216316 0.616944 266 
9 max min_per_class_accuracy 0.257957 0.795636 242 
10 max mean_per_class_accuracy 0.217122 0.805792 265 

Gains/Lift Table: Extract with `h2o.gainsLift(<model>, <data>)` or `h2o.gainsLift(<model>, valid=<T/F>, xval=<T/F>)` 
H2OBinomialMetrics: deeplearning 
** Reported on validation data. ** 
** Metrics reported on full validation frame ** 

MSE: 0.1418929 
RMSE: 0.3766867 
LogLoss: 0.4374728 
Mean Per-Class Error: 0.2603761 
AUC: 0.8306744 
Gini: 0.6613489 

Confusion Matrix for F1-optimal threshold: 
     No Yes Error  Rate 
No  1075 201 0.157524 =201/1276 
Yes  162 284 0.363229 =162/446 
Totals 1237 485 0.210801 =363/1722 

Maximum Metrics: Maximum metrics at their respective thresholds 
         metric threshold value idx 
1      max f1 0.323830 0.610097 183 
2      max f2 0.087110 0.740000 319 
3     max f0point5 0.514027 0.608666 94 
4     max accuracy 0.514027 0.800232 94 
5    max precision 0.668538 0.875000 21 
6     max recall 0.011443 1.000000 389 
7    max specificity 0.717464 0.999216 0 
8    max absolute_mcc 0.323830 0.466764 183 
9 max min_per_class_accuracy 0.229876 0.746082 238 
10 max mean_per_class_accuracy 0.173814 0.753367 273 

Gains/Lift Table: Extract with `h2o.gainsLift(<model>, <data>)` or `h2o.gainsLift(<model>, valid=<T/F>, xval=<T/F>)` 

Answer 1

Um herauszufinden, wie viele Epochen ein Modell verwendet, der beste Weg, ist es, die Score-Geschichte zu betrachten. Z.B. für ein Modell m:

h2o.scoreHistory(m) 

(Oder für eine grafische Version, zeichnen das Modell: plot(m))

, dass zu viel Informationen sein können, so reduzieren sie zeigen nur Epochen mit zu:

h2o.scoreHistory(m)[,c("epochs")] 

(ich habe gerade bemerkt h2o.scoreHistory(m)$epochs funktioniert auch.)

die Epochen zeigen, der das endgültige Modell, die zurückgegeben wurde, mit:

last(h2o.scoreHistory(m)[,c("epochs")]) 

By the way, war, wenn man nur das Rasterobjekt gedruckt Sie Epochen als eine der Säulen gesehen haben sollten, wenn es eine Ihres Hyper Parameter ist.

Beantworten Sie die Frage, die Sie nicht gestellt haben: werfen Sie einen Blick auf frühes Anhalten, das Sie davon befreien wird, im Voraus zu erraten, wie viele Epochen Sie benötigen und deshalb auch einen Hyperparameter speichern Ihr Raster sucht.

Sie könnten auch einfach das Modell machen mit dem höchsten Wert Epoche Sie erwägen, und suchen Sie in der Partitur Geschichte, um die Ergebnisse zu jedem der anderen Epoche Werte erhalten Sie interessiert waren.