机器学习深度学习AutoML大数据后端【免费下载链接】h2o-3H2O is an Open Source, Distributed, Fast Scalable Machine Learning Platform: Deep Learning, Gradient Boosting (GBM) XGBoost, Random Forest, Generalized Linear Modeling (GLM with Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.项目地址https://gitcode.com/gh_mirrors/h2/h2o-3点击查看免费下载导读stopping_metric是 H2O-3 机器学习平台中控制早停early stopping所依据的评估指标参数它决定模型在训练过程中观察哪一项指标来判断是否已经收敛。本文以官方参数文档为主体结合h2o-core中的ScoreKeeper.StoppingMetric枚举、ModelBuilder参数校验逻辑与 Python 客户端实现系统梳理该参数的全部可用取值、与stopping_rounds/stopping_tolerance的协同机制、底层收敛判定算法并提供 GBM 分类与自定义指标custom metric两套可直接运行的 Python / R 实战示例。读完本文你将能够为不同任务类型分类、回归、异常检测、增量学习 Uplift正确选配早停指标并理解其背后的移动平均收敛判据。一、stopping_metric 是什么早停的观察窗口在 H2O-3 中stopping_metric用于指定当启用早停时即stopping_rounds 0所依据的指标。它的作用不是改变模型结构而是控制训练何时停止——模型会持续打分scoring如果该指标在连续若干次打分事件中不再提升到指定程度训练即提前终止从而通过限制实际构建的模型数量来提升训练效率。该参数在官方文档中标注为可用算法GBM、DRF、Deep Learning、GLM、GAM、AutoML、XGBoost、Isolation Forest、UpliftDRF属于超参数Hyperparameter: yes从源码看该参数定义于通用模型参数基类 hex/Model.java是几乎所有监督式算法共享的早停三元组之一public int _stopping_rounds 0; // 默认 0关闭 public ScoreKeeper.StoppingMetric _stopping_metric ScoreKeeper.StoppingMetric.AUTO; // 默认 AUTO public double _stopping_tolerance defaultStoppingTolerance(); // 默认 1e-3其中defaultStoppingTolerance()的默认实现即返回1e-3见 hex/Model.java。三个参数如何协同工作官方文档用一个典型组合说明三者配合方式stopping_rounds3stopping_metricmisclassificationstopping_tolerance1e-3此时模型会在连续 3 次打分事件中误分类率misclassification相对提升未达到 1e-3时停止训练。也就是说stopping_metric决定看哪个指标stopping_rounds决定连续看几轮等价于移动平均窗口 kstopping_tolerance决定相对提升达到多少才算有改进。关键约束stopping_rounds必须被启用 0stopping_metric与stopping_tolerance才会生效否则即使设置了这两个参数也会被忽略。二、底层原理移动平均收敛判据在 hex/ScoreKeeper.java 的stopEarly方法中早停逻辑基于**简单移动平均SMA**实现。官方文档对stopping_rounds/stopping_tolerance页的说明与此完全对应当stopping_rounds3时会计算最近 4 轮打分的移动平均值第一个移动平均值作为参考基准供其余 3 个比较。若最优移动平均值 / 参考移动平均值的比值满足停止条件则提前终止——对越小越好的指标如 misclassification比值需 ≥1 - 1e-3对越大越好的指标如 AUC比值需 ≤1 1e-3。对应源码中的收敛策略ConvergenceStrategyhex/ScoreKeeper.java策略方向停止条件ratio 表示极值点与参考移动平均之比LESS_IS_BETTER越小越好direction-1ratio 1 - rel_improvementMORE_IS_BETTER越大越好direction1ratio 1 rel_improvementNON_DIRECTIONAL无方向仅 anomaly_score1 - rel_change ratio 1 rel_change此外还有两个细节值得注意每个指标还带有isLowerBoundBy0标志若指标存在 0 下界如 logloss、MSE、misclassification且参考移动平均已收敛到 0会直接判定收敛停止hex/ScoreKeeper.java。移动平均窗口存在符号翻转zero-crossing时会返回未收敛避免除零或产生无意义的相对提升计算hex/ScoreKeeper.java。早停至少需要2k次完整打分事件才有足够的数据计算窗口len 2*k时直接返回不停止见 hex/ScoreKeeper.java。三、全部可用取值与适用场景官方文档列出的stopping_metric可用选项如下。下表在文档基础上补充了每个指标的收敛方向来源于 hex/ScoreKeeper.java 枚举定义取值含义收敛方向备注AUTO自动选择依任务而定分类默认logloss回归默认devianceIsolation Forest 默认anomaly_scoreanomaly_score异常评分无方向NON_DIRECTIONAL仅 Isolation Forest 使用deviance平均残差偏差mean residual deviance越小越好回归任务 AUTO 默认值分类中仅 GLM 允许使用logloss对数损失越小越好有 0 下界仅分类MSE均方误差越小越好有 0 下界回归 / 自编码器autoencoderRMSE均方根误差越小越好有 0 下界回归MAE平均绝对误差越小越好有 0 下界回归RMSLE均方根对数误差越小越好有 0 下界回归AUCROC 曲线下面积越大越好仅分类二分类常用AUCPRPrecision-Recall 曲线下面积越大越好仅分类类别不平衡场景适用lift_top_group分组提升度越大越好仅分类misclassification误分类率越小越好有 0 下界仅分类mean_per_class_error各类平均错误率越小越好有 0 下界仅分类AUUC提升曲线下面积越大越好仅 UpliftDRFqiniQini AUUC 与随机提升曲线下面积之差越大越好仅 UpliftDRFATE平均处理效应Average Treatment Effect越大越好仅 UpliftDRFATT处理组平均处理效应越大越好仅 UpliftDRFATC对照组平均处理效应越大越好仅 UpliftDRFcustom自定义指标越小越好期望下界为 0越小越好目前仅 Python 客户端 GBM / DRFcustom_increasing自定义指标越大越好越大越好目前仅 Python 客户端 GBM / DRFAUTO 的默认值如何确定AUTO并非随机选择而是由任务类型ProblemType决定。源码中 hex/ScoreKeeper.java 明确定义public enum ProblemType { regression(StoppingMetric.deviance), // 回归 → deviance classification(StoppingMetric.logloss), // 分类 → logloss anomaly_detection(StoppingMetric.anomaly_score), // 异常检测 → anomaly_score autoencoder(StoppingMetric.MSE), // 自编码器 → MSE uplift(StoppingMetric.AUUC); // 增量学习 → AUUC }而在stopEarly中AUTO会被替换为当前任务类型的默认指标见 hex/ScoreKeeper.java。这解释了官方文档中AUTO 对分类默认 logloss、对回归默认 deviance、对 Isolation Forest 默认 anomaly_score的出处同时补充了自编码器与 Uplift 场景的默认值。四、参数校验规则什么组合会被拒绝不是任意组合都能通过校验。在 hex/ModelBuilder.java 中H2O 会在训练前对早停参数执行以下校验stopping_tolerance必须在[0, 1)区间小于 0 报错≥ 1 报错stopping_rounds0未启用早停时若同时设置了stopping_metric或自定义的stopping_tolerance会产生警告ignored而不会报错stopping_rounds 0直接报错分类任务deviance不能用作早停指标除 GLM 外回归任务标记为isClassificationOnly的指标logloss、AUC、AUCPR、lift_top_group、misclassification、mean_per_class_error会被拒绝选择custom或custom_increasing时必须同时提供custom_metric_func否则报错见 hex/ModelBuilder.java。这些规则保证早停指标与任务类型、评估口径一致避免出现用 AUC 监控回归模型这类无意义配置。五、网格搜索中的定位固定值而非搜索维度官方文档特别指出stopping_metric控制的是早停行为而非模型结构因此在网格搜索中通常将其固定而不是作为变化维度参与搜索。该说明在 grid-search.rst 的 Stopping and Runtime Controls 一节有完整阐述以下参数适用于所有监督式算法均标注Hyperparameter: yes但它们控制的是早停与总运行时长而非模型结构因此应在整个网格中固定一次而不是在不同模型间变化max_runtime_secs、stopping_metric、stopping_rounds、stopping_tolerance。可通过search_criteria或在每个模型的参数中设置它们以限制总运行时长或让单个模型提前停止。同理stopping_rounds与stopping_tolerance的官方文档页面stopping_rounds.rst、stopping_tolerance.rst也给出了各自的默认值与补充说明与stopping_metric共同构成完整的早停参数体系stopping_rounds默认值因算法而异GBM / DRF / XGBoost 默认 0关闭Deep Learning 默认 5AutoML 默认 3。设为 0 即关闭早停此时指标在验证集上计算未提供验证集则用训练集。stopping_tolerance除 AutoML 与 Isolation Forest 外默认0.001AutoML 在数据至少 100 万行时默认0.001否则按数据集规模与非缺失率取更大值Isolation Forest 默认0.01。stopping_rounds指的是打分事件scoring events的数量而非 epoch 数。使用 Deep Learning 时可配合overwrite_with_best_model启用后最终模型为指定stopping_metric下的最佳模型。六、实战示例用 AUC 早停训练 GBM 分类模型官方文档提供了基于航空公司航班延误数据IsDepDelayed 二分类的完整示例。以下示例完整保留文档逻辑并补充了可运行性说明数据从 H2O 公共测试数据源S3导入按 8:2 划分训练/验证集使用AUC作为早停指标、stopping_rounds3、stopping_tolerance1e-2。Pythonimport h2o from h2o.estimators.gbm import H2OGradientBoostingEstimator h2o.init() h2o.cluster().show_status() # 导入航空公司数据集用于判断航班是否延误 YES/NO airlines h2o.import_file(https://s3.amazonaws.com/h2o-public-test-data/smalldata/airlines/allyears2k_headers.zip) # 将类别列转为因子 airlines[Year] airlines[Year].asfactor() airlines[Month] airlines[Month].asfactor() airlines[DayOfWeek] airlines[DayOfWeek].asfactor() airlines[Cancelled] airlines[Cancelled].asfactor() airlines[FlightNum] airlines[FlightNum].asfactor() # 指定预测变量与响应列 predictors [Origin, Dest, Year, UniqueCarrier, DayOfWeek, Month, Distance, FlightNum] response IsDepDelayed # 划分训练集与验证集 train, valid airlines.split_frame(ratios[.8], seed1234) # 使用 stopping_metric 早停 # 分类问题看 AUC也可选 logloss、misclassification 等 airlines_gbm H2OGradientBoostingEstimator(stopping_metricauc, stopping_rounds3, stopping_tolerance1e-2, seed1234) airlines_gbm.train(xpredictors, yresponse, training_frametrain, validation_framevalid) # 打印验证集 AUC airlines_gbm.auc(validTrue)Rlibrary(h2o) h2o.init() # 导入航空公司数据集用于判断航班是否延误 YES/NO airlines - h2o.importFile(http://s3.amazonaws.com/h2o-public-test-data/smalldata/airlines/allyears2k_headers.zip) # 将类别列转为因子 airlines[Year] - as.factor(airlines[Year]) airlines[Month] - as.factor(airlines[Month]) airlines[DayOfWeek] - as.factor(airlines[DayOfWeek]) airlines[Cancelled] - as.factor(airlines[Cancelled]) airlines[FlightNum] - as.factor(airlines[FlightNum]) # 指定预测变量与响应列 predictors - c(Origin, Dest, Year, UniqueCarrier, DayOfWeek, Month, Distance, FlightNum) response - IsDepDelayed # 划分训练集与验证集 airlines_splits - h2o.splitFrame(data airlines, ratios 0.8, seed 1234) train - airlines_splits[[1]] valid - airlines_splits[[2]] # 使用 AUC 作为早停指标配合 stopping_rounds 与 stopping_tolerance airlines_gbm - h2o.gbm(x predictors, y response, training_frame train, validation_frame valid, stopping_metric AUC, stopping_rounds 3, stopping_tolerance 1e-2, seed 1234) # 打印验证集 AUC print(h2o.auc(airlines_gbm, valid TRUE))七、进阶custom 与 custom_increasing 自定义早停指标当内置指标无法满足业务需求时可使用custom越小越好或custom_increasing越大越好接入自定义评估函数。目前该能力仅在 Python 客户端中且仅 GBM 与 DRF 支持见 Python 估算器签名 estimators/gbm.py。自定义指标本质是一个提供map/reduce/metric三个方法的类分别对应分布式计算中的逐行映射、结果合并与最终指标计算详见 custom_functions.md。官方文档给出的自定义 RMSE 指标示例完整复现如下# 创建自定义 RMSE 模型指标并保存为 mm_rmse.py # 注意其中引用了 Java 类 java.lang.Math class CustomRmseFunc: def map(self, pred, act, w, o, model): idx int(act[0]) err 1 - pred[idx 1] if idx 1 len(pred) else 1 return [err * err, 1] def reduce(self, l, r): return [l[0] r[0], l[1] r[1]] def metric(self, l): # 直接调用 Java API import java.lang.Math as math return math.sqrt(l[0] / l[1]) # 将自定义指标上传到 H2O 集群 custom_mm_func h2o.upload_custom_metric(CustomRmseFunc, func_namermse, func_filemm_rmse.py) # 训练时指定 custom_metric_func 与 stopping_metriccustom model H2OGradientBoostingEstimator(ntrees3, max_depth5, score_each_iterationTrue, custom_metric_funccustom_mm_func, stopping_metriccustom, stopping_tolerance0.1, stopping_rounds3) model.train(xpredictors, yresponse, training_frametrain, validation_framevalid)实现原理上upload_custom_metric会把类源码保存为文件、打成 zip 归档并存入 H2O 的 K/V 存储返回的引用形如python:rmsemm_rmse.CustomRmseFuncWrapper。custom_metric_func参数接受该引用训练过程中通过专用类加载器在分布式环境下动态加载并执行custom_functions.md。注意func_name与func_file对每个自定义指标必须唯一。八、选型建议与注意事项分类任务优先考虑 logloss 或 AUC两者均带 0 下界或明确方向收敛判定稳定类别不平衡时可考虑AUCPR。回归任务用 deviance、MSE 或 RMSEAUTO 默认 deviance但业务口径上 MSE/RMSE 更直观。异常检测用 anomaly_score它是唯一无方向指标采用双侧区间判据不要在回归/分类任务中使用。UpliftDRF 场景只能使用AUUC、qini、ATE、ATT、ATC中的指标AUTO 会落到AUUC。必须配合stopping_rounds使用否则stopping_metric与stopping_tolerance会被忽略仅产生警告不会报错容易踩坑。网格搜索时固定这三个参数作为运行控制而非超参数维度grid-search.rst。校验失败信息均来自 hex/ModelBuilder.java例如回归模型使用misclassification、非 GLM 分类模型使用deviance、custom未定义custom_metric_func都会在训练前被明确拒绝。综上stopping_metric是 H2O-3 早停机制的核心选参理解其枚举取值、AUTO 默认映射与移动平均收敛判据是高效调优 GBM、XGBoost、Deep Learning 等模型训练时长的关键一步。相关源码与文档可进一步查阅 ScoreKeeper.java、Model.java、ModelBuilder.java 及配套参数文档 stopping_rounds.rst、stopping_tolerance.rst。赞分享机器学习深度学习AutoML大数据后端【免费下载链接】h2o-3H2O is an Open Source, Distributed, Fast Scalable Machine Learning Platform: Deep Learning, Gradient Boosting (GBM) XGBoost, Random Forest, Generalized Linear Modeling (GLM with Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.项目地址https://gitcode.com/gh_mirrors/h2/h2o-3点击查看免费下载相关推荐NNI Assessor 早停机制详解Median Stop 与 Curve Fitting 的原理、配置与实战NNI Assessor 早停机制详解Median Stop 与 Curve Fitting 的原理、配置与实战 在超参数调优HPO场景中并非所有超参数人工智能AutoML机器学习深度学习模型压缩特征工程H2O-3 GBM learn_rate 参数详解学习率原理、取值范围与实战调优H2O 3 GBM learn_rate 参数详解学习率原理、取值范围与实战调优 learn_rate 学习率是 H2O 3 中 GBM、XGBoost机器学习深度学习AutoML大数据后端H2O-3 CoxPH 的 stop_column 参数生存分析中的事件停止时间列配置与实现原理H2O 3 CoxPH 的 stop_column 参数生存分析中的事件停止时间列配置与实现原理 本文围绕 H2O 3 分布式机器学习平台中 CoxPHCo机器学习深度学习AutoML大数据后端上一篇终极Flow问题排查指南快速诊断和解决JavaScript类型检查难题下一篇Inbucket性能调优技巧如何应对高并发邮件测试需求创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
机器学习深度学习AutoML大数据后端【免费下载链接】h2o-3H2O is an Open Source, Distributed, Fast Scalable Machine Learning Platform: Deep Learning, Gradient Boosting (GBM) XGBoost, Random Forest, Generalized Linear Modeling (GLM with Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.项目地址https://gitcode.com/gh_mirrors/h2/h2o-3点击查看免费下载导读stopping_metric是 H2O-3 机器学习平台中控制早停early stopping所依据的评估指标参数它决定模型在训练过程中观察哪一项指标来判断是否已经收敛。本文以官方参数文档为主体结合h2o-core中的ScoreKeeper.StoppingMetric枚举、ModelBuilder参数校验逻辑与 Python 客户端实现系统梳理该参数的全部可用取值、与stopping_rounds/stopping_tolerance的协同机制、底层收敛判定算法并提供 GBM 分类与自定义指标custom metric两套可直接运行的 Python / R 实战示例。读完本文你将能够为不同任务类型分类、回归、异常检测、增量学习 Uplift正确选配早停指标并理解其背后的移动平均收敛判据。一、stopping_metric 是什么早停的观察窗口在 H2O-3 中stopping_metric用于指定当启用早停时即stopping_rounds 0所依据的指标。它的作用不是改变模型结构而是控制训练何时停止——模型会持续打分scoring如果该指标在连续若干次打分事件中不再提升到指定程度训练即提前终止从而通过限制实际构建的模型数量来提升训练效率。该参数在官方文档中标注为可用算法GBM、DRF、Deep Learning、GLM、GAM、AutoML、XGBoost、Isolation Forest、UpliftDRF属于超参数Hyperparameter: yes从源码看该参数定义于通用模型参数基类 hex/Model.java是几乎所有监督式算法共享的早停三元组之一public int _stopping_rounds 0; // 默认 0关闭 public ScoreKeeper.StoppingMetric _stopping_metric ScoreKeeper.StoppingMetric.AUTO; // 默认 AUTO public double _stopping_tolerance defaultStoppingTolerance(); // 默认 1e-3其中defaultStoppingTolerance()的默认实现即返回1e-3见 hex/Model.java。三个参数如何协同工作官方文档用一个典型组合说明三者配合方式stopping_rounds3stopping_metricmisclassificationstopping_tolerance1e-3此时模型会在连续 3 次打分事件中误分类率misclassification相对提升未达到 1e-3时停止训练。也就是说stopping_metric决定看哪个指标stopping_rounds决定连续看几轮等价于移动平均窗口 kstopping_tolerance决定相对提升达到多少才算有改进。关键约束stopping_rounds必须被启用 0stopping_metric与stopping_tolerance才会生效否则即使设置了这两个参数也会被忽略。二、底层原理移动平均收敛判据在 hex/ScoreKeeper.java 的stopEarly方法中早停逻辑基于**简单移动平均SMA**实现。官方文档对stopping_rounds/stopping_tolerance页的说明与此完全对应当stopping_rounds3时会计算最近 4 轮打分的移动平均值第一个移动平均值作为参考基准供其余 3 个比较。若最优移动平均值 / 参考移动平均值的比值满足停止条件则提前终止——对越小越好的指标如 misclassification比值需 ≥1 - 1e-3对越大越好的指标如 AUC比值需 ≤1 1e-3。对应源码中的收敛策略ConvergenceStrategyhex/ScoreKeeper.java策略方向停止条件ratio 表示极值点与参考移动平均之比LESS_IS_BETTER越小越好direction-1ratio 1 - rel_improvementMORE_IS_BETTER越大越好direction1ratio 1 rel_improvementNON_DIRECTIONAL无方向仅 anomaly_score1 - rel_change ratio 1 rel_change此外还有两个细节值得注意每个指标还带有isLowerBoundBy0标志若指标存在 0 下界如 logloss、MSE、misclassification且参考移动平均已收敛到 0会直接判定收敛停止hex/ScoreKeeper.java。移动平均窗口存在符号翻转zero-crossing时会返回未收敛避免除零或产生无意义的相对提升计算hex/ScoreKeeper.java。早停至少需要2k次完整打分事件才有足够的数据计算窗口len 2*k时直接返回不停止见 hex/ScoreKeeper.java。三、全部可用取值与适用场景官方文档列出的stopping_metric可用选项如下。下表在文档基础上补充了每个指标的收敛方向来源于 hex/ScoreKeeper.java 枚举定义取值含义收敛方向备注AUTO自动选择依任务而定分类默认logloss回归默认devianceIsolation Forest 默认anomaly_scoreanomaly_score异常评分无方向NON_DIRECTIONAL仅 Isolation Forest 使用deviance平均残差偏差mean residual deviance越小越好回归任务 AUTO 默认值分类中仅 GLM 允许使用logloss对数损失越小越好有 0 下界仅分类MSE均方误差越小越好有 0 下界回归 / 自编码器autoencoderRMSE均方根误差越小越好有 0 下界回归MAE平均绝对误差越小越好有 0 下界回归RMSLE均方根对数误差越小越好有 0 下界回归AUCROC 曲线下面积越大越好仅分类二分类常用AUCPRPrecision-Recall 曲线下面积越大越好仅分类类别不平衡场景适用lift_top_group分组提升度越大越好仅分类misclassification误分类率越小越好有 0 下界仅分类mean_per_class_error各类平均错误率越小越好有 0 下界仅分类AUUC提升曲线下面积越大越好仅 UpliftDRFqiniQini AUUC 与随机提升曲线下面积之差越大越好仅 UpliftDRFATE平均处理效应Average Treatment Effect越大越好仅 UpliftDRFATT处理组平均处理效应越大越好仅 UpliftDRFATC对照组平均处理效应越大越好仅 UpliftDRFcustom自定义指标越小越好期望下界为 0越小越好目前仅 Python 客户端 GBM / DRFcustom_increasing自定义指标越大越好越大越好目前仅 Python 客户端 GBM / DRFAUTO 的默认值如何确定AUTO并非随机选择而是由任务类型ProblemType决定。源码中 hex/ScoreKeeper.java 明确定义public enum ProblemType { regression(StoppingMetric.deviance), // 回归 → deviance classification(StoppingMetric.logloss), // 分类 → logloss anomaly_detection(StoppingMetric.anomaly_score), // 异常检测 → anomaly_score autoencoder(StoppingMetric.MSE), // 自编码器 → MSE uplift(StoppingMetric.AUUC); // 增量学习 → AUUC }而在stopEarly中AUTO会被替换为当前任务类型的默认指标见 hex/ScoreKeeper.java。这解释了官方文档中AUTO 对分类默认 logloss、对回归默认 deviance、对 Isolation Forest 默认 anomaly_score的出处同时补充了自编码器与 Uplift 场景的默认值。四、参数校验规则什么组合会被拒绝不是任意组合都能通过校验。在 hex/ModelBuilder.java 中H2O 会在训练前对早停参数执行以下校验stopping_tolerance必须在[0, 1)区间小于 0 报错≥ 1 报错stopping_rounds0未启用早停时若同时设置了stopping_metric或自定义的stopping_tolerance会产生警告ignored而不会报错stopping_rounds 0直接报错分类任务deviance不能用作早停指标除 GLM 外回归任务标记为isClassificationOnly的指标logloss、AUC、AUCPR、lift_top_group、misclassification、mean_per_class_error会被拒绝选择custom或custom_increasing时必须同时提供custom_metric_func否则报错见 hex/ModelBuilder.java。这些规则保证早停指标与任务类型、评估口径一致避免出现用 AUC 监控回归模型这类无意义配置。五、网格搜索中的定位固定值而非搜索维度官方文档特别指出stopping_metric控制的是早停行为而非模型结构因此在网格搜索中通常将其固定而不是作为变化维度参与搜索。该说明在 grid-search.rst 的 Stopping and Runtime Controls 一节有完整阐述以下参数适用于所有监督式算法均标注Hyperparameter: yes但它们控制的是早停与总运行时长而非模型结构因此应在整个网格中固定一次而不是在不同模型间变化max_runtime_secs、stopping_metric、stopping_rounds、stopping_tolerance。可通过search_criteria或在每个模型的参数中设置它们以限制总运行时长或让单个模型提前停止。同理stopping_rounds与stopping_tolerance的官方文档页面stopping_rounds.rst、stopping_tolerance.rst也给出了各自的默认值与补充说明与stopping_metric共同构成完整的早停参数体系stopping_rounds默认值因算法而异GBM / DRF / XGBoost 默认 0关闭Deep Learning 默认 5AutoML 默认 3。设为 0 即关闭早停此时指标在验证集上计算未提供验证集则用训练集。stopping_tolerance除 AutoML 与 Isolation Forest 外默认0.001AutoML 在数据至少 100 万行时默认0.001否则按数据集规模与非缺失率取更大值Isolation Forest 默认0.01。stopping_rounds指的是打分事件scoring events的数量而非 epoch 数。使用 Deep Learning 时可配合overwrite_with_best_model启用后最终模型为指定stopping_metric下的最佳模型。六、实战示例用 AUC 早停训练 GBM 分类模型官方文档提供了基于航空公司航班延误数据IsDepDelayed 二分类的完整示例。以下示例完整保留文档逻辑并补充了可运行性说明数据从 H2O 公共测试数据源S3导入按 8:2 划分训练/验证集使用AUC作为早停指标、stopping_rounds3、stopping_tolerance1e-2。Pythonimport h2o from h2o.estimators.gbm import H2OGradientBoostingEstimator h2o.init() h2o.cluster().show_status() # 导入航空公司数据集用于判断航班是否延误 YES/NO airlines h2o.import_file(https://s3.amazonaws.com/h2o-public-test-data/smalldata/airlines/allyears2k_headers.zip) # 将类别列转为因子 airlines[Year] airlines[Year].asfactor() airlines[Month] airlines[Month].asfactor() airlines[DayOfWeek] airlines[DayOfWeek].asfactor() airlines[Cancelled] airlines[Cancelled].asfactor() airlines[FlightNum] airlines[FlightNum].asfactor() # 指定预测变量与响应列 predictors [Origin, Dest, Year, UniqueCarrier, DayOfWeek, Month, Distance, FlightNum] response IsDepDelayed # 划分训练集与验证集 train, valid airlines.split_frame(ratios[.8], seed1234) # 使用 stopping_metric 早停 # 分类问题看 AUC也可选 logloss、misclassification 等 airlines_gbm H2OGradientBoostingEstimator(stopping_metricauc, stopping_rounds3, stopping_tolerance1e-2, seed1234) airlines_gbm.train(xpredictors, yresponse, training_frametrain, validation_framevalid) # 打印验证集 AUC airlines_gbm.auc(validTrue)Rlibrary(h2o) h2o.init() # 导入航空公司数据集用于判断航班是否延误 YES/NO airlines - h2o.importFile(http://s3.amazonaws.com/h2o-public-test-data/smalldata/airlines/allyears2k_headers.zip) # 将类别列转为因子 airlines[Year] - as.factor(airlines[Year]) airlines[Month] - as.factor(airlines[Month]) airlines[DayOfWeek] - as.factor(airlines[DayOfWeek]) airlines[Cancelled] - as.factor(airlines[Cancelled]) airlines[FlightNum] - as.factor(airlines[FlightNum]) # 指定预测变量与响应列 predictors - c(Origin, Dest, Year, UniqueCarrier, DayOfWeek, Month, Distance, FlightNum) response - IsDepDelayed # 划分训练集与验证集 airlines_splits - h2o.splitFrame(data airlines, ratios 0.8, seed 1234) train - airlines_splits[[1]] valid - airlines_splits[[2]] # 使用 AUC 作为早停指标配合 stopping_rounds 与 stopping_tolerance airlines_gbm - h2o.gbm(x predictors, y response, training_frame train, validation_frame valid, stopping_metric AUC, stopping_rounds 3, stopping_tolerance 1e-2, seed 1234) # 打印验证集 AUC print(h2o.auc(airlines_gbm, valid TRUE))七、进阶custom 与 custom_increasing 自定义早停指标当内置指标无法满足业务需求时可使用custom越小越好或custom_increasing越大越好接入自定义评估函数。目前该能力仅在 Python 客户端中且仅 GBM 与 DRF 支持见 Python 估算器签名 estimators/gbm.py。自定义指标本质是一个提供map/reduce/metric三个方法的类分别对应分布式计算中的逐行映射、结果合并与最终指标计算详见 custom_functions.md。官方文档给出的自定义 RMSE 指标示例完整复现如下# 创建自定义 RMSE 模型指标并保存为 mm_rmse.py # 注意其中引用了 Java 类 java.lang.Math class CustomRmseFunc: def map(self, pred, act, w, o, model): idx int(act[0]) err 1 - pred[idx 1] if idx 1 len(pred) else 1 return [err * err, 1] def reduce(self, l, r): return [l[0] r[0], l[1] r[1]] def metric(self, l): # 直接调用 Java API import java.lang.Math as math return math.sqrt(l[0] / l[1]) # 将自定义指标上传到 H2O 集群 custom_mm_func h2o.upload_custom_metric(CustomRmseFunc, func_namermse, func_filemm_rmse.py) # 训练时指定 custom_metric_func 与 stopping_metriccustom model H2OGradientBoostingEstimator(ntrees3, max_depth5, score_each_iterationTrue, custom_metric_funccustom_mm_func, stopping_metriccustom, stopping_tolerance0.1, stopping_rounds3) model.train(xpredictors, yresponse, training_frametrain, validation_framevalid)实现原理上upload_custom_metric会把类源码保存为文件、打成 zip 归档并存入 H2O 的 K/V 存储返回的引用形如python:rmsemm_rmse.CustomRmseFuncWrapper。custom_metric_func参数接受该引用训练过程中通过专用类加载器在分布式环境下动态加载并执行custom_functions.md。注意func_name与func_file对每个自定义指标必须唯一。八、选型建议与注意事项分类任务优先考虑 logloss 或 AUC两者均带 0 下界或明确方向收敛判定稳定类别不平衡时可考虑AUCPR。回归任务用 deviance、MSE 或 RMSEAUTO 默认 deviance但业务口径上 MSE/RMSE 更直观。异常检测用 anomaly_score它是唯一无方向指标采用双侧区间判据不要在回归/分类任务中使用。UpliftDRF 场景只能使用AUUC、qini、ATE、ATT、ATC中的指标AUTO 会落到AUUC。必须配合stopping_rounds使用否则stopping_metric与stopping_tolerance会被忽略仅产生警告不会报错容易踩坑。网格搜索时固定这三个参数作为运行控制而非超参数维度grid-search.rst。校验失败信息均来自 hex/ModelBuilder.java例如回归模型使用misclassification、非 GLM 分类模型使用deviance、custom未定义custom_metric_func都会在训练前被明确拒绝。综上stopping_metric是 H2O-3 早停机制的核心选参理解其枚举取值、AUTO 默认映射与移动平均收敛判据是高效调优 GBM、XGBoost、Deep Learning 等模型训练时长的关键一步。相关源码与文档可进一步查阅 ScoreKeeper.java、Model.java、ModelBuilder.java 及配套参数文档 stopping_rounds.rst、stopping_tolerance.rst。赞分享机器学习深度学习AutoML大数据后端【免费下载链接】h2o-3H2O is an Open Source, Distributed, Fast Scalable Machine Learning Platform: Deep Learning, Gradient Boosting (GBM) XGBoost, Random Forest, Generalized Linear Modeling (GLM with Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.项目地址https://gitcode.com/gh_mirrors/h2/h2o-3点击查看免费下载相关推荐NNI Assessor 早停机制详解Median Stop 与 Curve Fitting 的原理、配置与实战NNI Assessor 早停机制详解Median Stop 与 Curve Fitting 的原理、配置与实战 在超参数调优HPO场景中并非所有超参数人工智能AutoML机器学习深度学习模型压缩特征工程H2O-3 GBM learn_rate 参数详解学习率原理、取值范围与实战调优H2O 3 GBM learn_rate 参数详解学习率原理、取值范围与实战调优 learn_rate 学习率是 H2O 3 中 GBM、XGBoost机器学习深度学习AutoML大数据后端H2O-3 CoxPH 的 stop_column 参数生存分析中的事件停止时间列配置与实现原理H2O 3 CoxPH 的 stop_column 参数生存分析中的事件停止时间列配置与实现原理 本文围绕 H2O 3 分布式机器学习平台中 CoxPHCo机器学习深度学习AutoML大数据后端上一篇终极Flow问题排查指南快速诊断和解决JavaScript类型检查难题下一篇Inbucket性能调优技巧如何应对高并发邮件测试需求创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
