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本文围绕 H2O-3 中 GBM梯度提升机与 Deep Learning 算法提供的huber_alpha参数展开系统讲解 Huber 损失函数的原理、huber_alpha的含义与取值规则并通过源码级剖析展示其在 GBM 训练中的底层实现机制加权分位数 delta 的计算与叶节点拟合。读完本文你将掌握如何在 R 与 Python 中正确配置distributionhuberhuber_alpha来构建对异常值稳健的回归模型并能通过网格搜索对该阈值进行调优。一、什么是 Huber 损失函数Huber 损失函数是**平方误差损失L2与绝对误差损失L1**的有机结合其设计目标是兼顾两者的优点当预测值与真实响应值的偏差较小时采用平方误差损失L2此时梯度随误差线性变化收敛平稳且可微当偏差较大时改用绝对误差损失L1此时损失对异常值的惩罚从二次增长退化为线性增长从而抑制极端离群点对模型拟合的过度拉扯。在 H2O-3 官方文档中Huber 损失被描述为“平方误差与绝对误差的组合”并明确指出其对异常值的稳健性优于纯 L2 平方损失。其数学形式可记为L_δ(y, f) 0.5 × (y - f)² 当 |y - f| ≤ δ δ × (|y - f| - 0.5 × δ) 当 |y - f| δ其中δdelta是平方损失与线性损失之间的切换阈值也就是huber_alpha在训练过程中转化出的关键数值H2O-3 内部将其命名为huberDelta详见下文源码分析。二、huber_alpha 参数定义huber_alpha是 H2O-3 在 GBM 与 Deep Learning 中提供的分布级超参数其核心属性如下属性说明可用算法GBM、Deep Learning是否为超参数Hyperparameter是可用于网格搜索Grid Search取值范围0 到 1 之间开区间须 0 且 1默认值0.9激活前提必须同时设置distributionhuber相关参数distribution激活条件只有当你把distribution显式设置为huber时huber_alpha才会真正参与模型训练若未指定huber分布该参数将被忽略。这一约束在源码参数定义中也有体现——H2O-3 将_huber_alpha的默认值声明为0.9见 Model.java但只有在分布为huber时才会被读取并使用。2.1 参数语义异常值的百分位阈值huber_alpha直接定义的是被视作异常值的误差百分位top percentile of error。通俗地说它表示在全部训练样本的绝对误差分布中取加权 alpha 分位数作为平方损失与线性损失的切换阈值δhuber_alpha 0.9意味着约 90% 的样本误差较小的那部分落入平方损失区域而误差最大的约 10% 的样本被视为“准异常值”改用线性惩罚从而降低离群点的影响取值越接近 1切换阈值越高被“宽容”进入平方损失区域的样本越多模型对异常值越敏感越接近纯 L2取值越小阈值越低更多样本被按线性损失处理模型越稳健越接近 L1/Laplace 行为。2.2 与 laplace、quantile 等稳健回归分布的关系在 H2O-3 的分布族中laplace纯绝对误差损失预测目标为中位数quantile配合quantile_alpha预测指定分位数huberHuber 损失介于 L2 与 L1 之间且以huber_alpha动态确定切换点。三者都属于数值型回归分布且均不支持 XGBoost见 distribution.rst 的说明。三、源码级实现huber_alpha 如何变成 huberDelta要真正理解huber_alpha需要深入 GBM 的训练循环。H2O-3 的 GBM 实现在 GBM.java 中相关逻辑位于每一轮迭代的残差计算阶段对应 ESL2 教材第 387 页的 Step 2a/2b计算绝对残差对全部训练样本计算|y - (f o)|真实响应减去当前预测与偏移量之和的绝对值得到向量diff计算加权分位数调用MathUtils.computeWeightedQuantile(_weights, diff, _parms._huber_alpha)以huber_alpha作为分位点对绝对残差求加权 alpha 分位数得到全局的huberDelta见 GBM.java注入分布对象通过distributionImpl.setHuberDelta(huberDelta)将 delta 写入分布实现见 Distribution.java源码注释将其定义为“Huber aka M-regression”所需按 Huber 梯度更新残差使用带有全局调整后 delta 的 Huber 损失梯度重新计算残差供下一棵树的生长使用。可以看出huber_alpha并不直接等于δ而是决定 δ 的百分位——即“绝对残差的加权 alpha 分位数”。这也是原文档中“top percentile of error that should be considered as outliers”这句描述的精确源码对应。3.1 叶节点预测fitBestConstantsHuber除了残差Huber 损失还会影响叶子节点的最优常数。GBM 在fitBestConstantsHuber方法见 GBM.java中执行以下逻辑先统计每个叶子节点内残差相对中位数的偏差resMinusMedianRes再按signum(res - median) × min(|res - median|, huberDelta)计算加权修正量huberGamma见 GBM.java最终叶节点输出为中位数 huberGamma并乘以学习率effective_learning_rate()作为该节点预测。这一机制保证与纯平方损失叶子取均值不同Huber 损失下的叶节点预测以中位数为基准并做 delta 截断修正从而对节点内的离群样本天然免疫。四、实战R 与 Python 完整示例以下示例完整复刻官方文档huber_alpha.rst中的保险索赔数据集用例并保留全部可运行细节。数据集背景insurance.csv来自 MASS 包目标变量Claims为保单持有人可能提出的索赔次数属于典型的计数型/偏态回归问题适合验证 Huber 损失的稳健性。4.1 R 语言示例library(h2o) h2o.init() # 导入保险数据集 # 该数据集预测保单持有人将提出的索赔次数 insurance - h2o.importFile(https://s3.amazonaws.com/h2o-public-test-data/smalldata/glm_test/insurance.csv) # 设置预测变量名和响应列名 predictors - colnames(insurance)[1:4] response - Claims # 将列转换为因子类型 insurance[Group] - as.factor(insurance[Group]) insurance[Age] - as.factor(insurance[Age]) # 划分训练集与验证集 insurance_splits - h2o.splitFrame(data insurance, ratios 0.8, seed 1234) train - insurance_splits[[1]] valid - insurance_splits[[2]] # 使用 huber_alpha 参数 # 指定分布为 huber并设置 huber_alpha insurance_gbm - h2o.gbm(x predictors, y response, training_frame train, validation_frame valid, distribution huber, huber_alpha 0.9, seed 1234) # 打印验证集 MSE print(h2o.mse(insurance_gbm, valid TRUE)) # 对 huber_alpha 进行网格搜索 # 选择用于网格搜索的 huber_alpha 取值 hyper_params - list(huber_alpha c(0.2, 0.5, 0.8)) # 本例使用笛卡尔网格搜索因为搜索空间较小 # 且我们希望看到所有模型的性能。对于更大的搜索空间 # 建议改用随机网格搜索{strategy: RandomDiscrete} # 使用先前的 GBM 和超参数构建网格搜索 grid - h2o.grid(x predictors, y response, training_frame train, validation_frame valid, algorithm gbm, grid_id insurance_grid, distribution huber, hyper_params hyper_params, seed 1234) # 按 MSE 排序网格模型 sorted_grid - h2o.getGrid(insurance_grid, sort_by mse, decreasing FALSE) sorted_grid4.2 Python 示例import h2o from h2o.estimators.gbm import H2OGradientBoostingEstimator from h2o.grid.grid_search import H2OGridSearch h2o.init() # 导入保险数据集 # 该数据集预测保单持有人将提出的索赔次数 insurance h2o.import_file(https://s3.amazonaws.com/h2o-public-test-data/smalldata/glm_test/insurance.csv) # 设置预测变量名和响应列名 predictors insurance.columns[0:4] response Claims # 将列转换为因子类型 insurance[Group] insurance[Group].asfactor() insurance[Age] insurance[Age].asfactor() # 划分训练集与验证集 train, valid insurance.split_frame(ratios[.8], seed1234) # 使用 huber_alpha 参数 # 初始化估计器时指定分布为 huber并设置 huber_alpha insurance_gbm H2OGradientBoostingEstimator(distributionhuber, huber_alpha0.9, seed1234) # 训练模型 insurance_gbm.train(xpredictors, yresponse, training_frametrain, validation_framevalid) # 打印验证集 MSE print(insurance_gbm.mse(validTrue)) # 对 huber_alpha 进行网格搜索 # 选择用于网格搜索的 huber_alpha 取值 hyper_params {huber_alpha: [.2, .5, .8]} # 本例使用笛卡尔网格搜索因为搜索空间较小 # 且我们希望看到所有模型的性能。对于更大的搜索空间 # 建议改用随机网格搜索{strategy: RandomDiscrete} # 初始化 GBM 估计器分布为 huberseed 固定 insurance_gbm_2 H2OGradientBoostingEstimator(distributionhuber, seed1234) # 使用先前的 GBM 和超参数构建网格搜索 grid H2OGridSearch(modelinsurance_gbm_2, hyper_paramshyper_params, search_criteria{strategy: Cartesian}) # 使用网格进行训练 grid.train(xpredictors, yresponse, training_frametrain, validation_framevalid) # 按 MSE 升序排序网格模型 sorted_grid grid.get_grid(sort_bymse, decreasingFalse) print(sorted_grid)五、huber_alpha 的网格搜索与调优策略原文档特别强调了huber_alpha是可网格搜索的超参数。实践中可以参考以下策略小搜索空间用笛卡尔搜索Cartesian如示例中[0.2, 0.5, 0.8]穷举所有组合便于完整观察不同阈值对验证集 MSE 的影响大搜索空间用随机离散搜索RandomDiscrete当huber_alpha与ntrees、max_depth、learn_rate等其他超参数联合搜索时组合数会爆炸式增长此时应改用{strategy: RandomDiscrete}并配合max_models/max_runtime_secs限制搜索预算调优语义huber_alpha越小模型对离群点越稳健若你的验证集 MSE 对异常值高度敏感如长尾保险理赔数据建议从小值如 0.5~0.7开始搜索并与默认值 0.9 对比配合 seed 使用示例中固定seed 1234保证网格内各模型的比较不受随机性干扰。六、在 Deep Learning 中使用 huber_alpha除 GBM 外huber_alpha同样适用于Deep Learning深度神经网络回归。从源码看Deep Learning 的参数校验允许的分布族包括AUTO、bernoulli、multinomial、gaussian、poisson、gamma、laplace、quantile、huber、tweedie见 DeepLearning.java即huber分布是受支持的合法取值。因此在 Python 中训练稳健回归的神经网络时可这样配置from h2o.estimators.deeplearning import H2ODeepLearningEstimator dl H2ODeepLearningEstimator(distributionhuber, huber_alpha0.7, seed1234) dl.train(xpredictors, yresponse, training_frametrain, validation_framevalid) print(dl.mse(validTrue))在 R 中对应为dl - h2o.deeplearning(x predictors, y response, training_frame train, validation_frame valid, distribution huber, huber_alpha 0.7, seed 1234) h2o.mse(dl, valid TRUE)七、使用注意事项与适用范围必须搭配distributionhuber仅在huber分布下生效否则被忽略取值范围huber_alpha必须介于 0 和 1 之间默认 0.9响应列类型huber分布要求响应列为数值型见 distribution.rstXGBoost 不支持laplace、quantile、huber三种分布均不可用于 XGBoost见 distribution.rst残差与叶节点双重应用huber_alpha既决定了每轮迭代残差更新所用的全局 delta也参与叶节点最优常数的截断修正中位数 修正量因此对模型的稳健性影响是全链路的与 DRF 的关系随机森林DRF仅支持AUTO、bernoulli、multinomial、gaussian不支持 huber 分布请勿在 DRF 上使用该参数。八、相关参数与文档导航distributionHuber 分布的选择入口也是huber_alpha的激活前提文档中还给出了各分布对应的响应列类型约束与回归/分类场景选型指南quantile_alpha与huber_alpha同属“损失阈值类”参数配合distributionquantile使用tweedie_power配合distributiontweedie使用属于同族的分部形状参数。如需进一步了解实现细节可深入阅读 GBM.javahuber delta 计算、Distribution.javahuberDelta 注入以及 GBMV3.javaREST API 参数注册以完整掌握huber_alpha从配置到训练的全链路行为。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Molecule自动化测试实战如何构建 ansible-role-postgresql 的 PostgreSQL CI 流水线Molecule自动化测试实战如何构建 ansible role postgresql 的 PostgreSQL CI 流水线 ansible role po如何快速上手 faster-whisper-large-v25分钟完成多语言语音识别如何快速上手 faster whisper large v25分钟完成多语言语音识别 faster whisper large v2 是一款基于 CTrans社区最佳实践如何将resnet50.fb_ssl_yfcc100m_ft_in1k集成到现有AI工作流中社区最佳实践如何将resnet50.fb_ssl_yfcc100m_ft_in1k集成到现有AI工作流中 想要在现有AI工作流中集成一个性能卓越的图像分类模型上一篇免费文档下载工具推荐零基础5分钟学会一键下载百度文库等30平台文档下一篇告别60帧卡顿用WaveTools鸣潮工具箱解锁120帧顺带把抽卡分析玩明白了创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 H2O-3 的 huber_alpha 参数：Huber 损失函数的异常值阈值调优实战指南
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本文围绕 H2O-3 中 GBM梯度提升机与 Deep Learning 算法提供的huber_alpha参数展开系统讲解 Huber 损失函数的原理、huber_alpha的含义与取值规则并通过源码级剖析展示其在 GBM 训练中的底层实现机制加权分位数 delta 的计算与叶节点拟合。读完本文你将掌握如何在 R 与 Python 中正确配置distributionhuberhuber_alpha来构建对异常值稳健的回归模型并能通过网格搜索对该阈值进行调优。一、什么是 Huber 损失函数Huber 损失函数是**平方误差损失L2与绝对误差损失L1**的有机结合其设计目标是兼顾两者的优点当预测值与真实响应值的偏差较小时采用平方误差损失L2此时梯度随误差线性变化收敛平稳且可微当偏差较大时改用绝对误差损失L1此时损失对异常值的惩罚从二次增长退化为线性增长从而抑制极端离群点对模型拟合的过度拉扯。在 H2O-3 官方文档中Huber 损失被描述为“平方误差与绝对误差的组合”并明确指出其对异常值的稳健性优于纯 L2 平方损失。其数学形式可记为L_δ(y, f) 0.5 × (y - f)² 当 |y - f| ≤ δ δ × (|y - f| - 0.5 × δ) 当 |y - f| δ其中δdelta是平方损失与线性损失之间的切换阈值也就是huber_alpha在训练过程中转化出的关键数值H2O-3 内部将其命名为huberDelta详见下文源码分析。二、huber_alpha 参数定义huber_alpha是 H2O-3 在 GBM 与 Deep Learning 中提供的分布级超参数其核心属性如下属性说明可用算法GBM、Deep Learning是否为超参数Hyperparameter是可用于网格搜索Grid Search取值范围0 到 1 之间开区间须 0 且 1默认值0.9激活前提必须同时设置distributionhuber相关参数distribution激活条件只有当你把distribution显式设置为huber时huber_alpha才会真正参与模型训练若未指定huber分布该参数将被忽略。这一约束在源码参数定义中也有体现——H2O-3 将_huber_alpha的默认值声明为0.9见 Model.java但只有在分布为huber时才会被读取并使用。2.1 参数语义异常值的百分位阈值huber_alpha直接定义的是被视作异常值的误差百分位top percentile of error。通俗地说它表示在全部训练样本的绝对误差分布中取加权 alpha 分位数作为平方损失与线性损失的切换阈值δhuber_alpha 0.9意味着约 90% 的样本误差较小的那部分落入平方损失区域而误差最大的约 10% 的样本被视为“准异常值”改用线性惩罚从而降低离群点的影响取值越接近 1切换阈值越高被“宽容”进入平方损失区域的样本越多模型对异常值越敏感越接近纯 L2取值越小阈值越低更多样本被按线性损失处理模型越稳健越接近 L1/Laplace 行为。2.2 与 laplace、quantile 等稳健回归分布的关系在 H2O-3 的分布族中laplace纯绝对误差损失预测目标为中位数quantile配合quantile_alpha预测指定分位数huberHuber 损失介于 L2 与 L1 之间且以huber_alpha动态确定切换点。三者都属于数值型回归分布且均不支持 XGBoost见 distribution.rst 的说明。三、源码级实现huber_alpha 如何变成 huberDelta要真正理解huber_alpha需要深入 GBM 的训练循环。H2O-3 的 GBM 实现在 GBM.java 中相关逻辑位于每一轮迭代的残差计算阶段对应 ESL2 教材第 387 页的 Step 2a/2b计算绝对残差对全部训练样本计算|y - (f o)|真实响应减去当前预测与偏移量之和的绝对值得到向量diff计算加权分位数调用MathUtils.computeWeightedQuantile(_weights, diff, _parms._huber_alpha)以huber_alpha作为分位点对绝对残差求加权 alpha 分位数得到全局的huberDelta见 GBM.java注入分布对象通过distributionImpl.setHuberDelta(huberDelta)将 delta 写入分布实现见 Distribution.java源码注释将其定义为“Huber aka M-regression”所需按 Huber 梯度更新残差使用带有全局调整后 delta 的 Huber 损失梯度重新计算残差供下一棵树的生长使用。可以看出huber_alpha并不直接等于δ而是决定 δ 的百分位——即“绝对残差的加权 alpha 分位数”。这也是原文档中“top percentile of error that should be considered as outliers”这句描述的精确源码对应。3.1 叶节点预测fitBestConstantsHuber除了残差Huber 损失还会影响叶子节点的最优常数。GBM 在fitBestConstantsHuber方法见 GBM.java中执行以下逻辑先统计每个叶子节点内残差相对中位数的偏差resMinusMedianRes再按signum(res - median) × min(|res - median|, huberDelta)计算加权修正量huberGamma见 GBM.java最终叶节点输出为中位数 huberGamma并乘以学习率effective_learning_rate()作为该节点预测。这一机制保证与纯平方损失叶子取均值不同Huber 损失下的叶节点预测以中位数为基准并做 delta 截断修正从而对节点内的离群样本天然免疫。四、实战R 与 Python 完整示例以下示例完整复刻官方文档huber_alpha.rst中的保险索赔数据集用例并保留全部可运行细节。数据集背景insurance.csv来自 MASS 包目标变量Claims为保单持有人可能提出的索赔次数属于典型的计数型/偏态回归问题适合验证 Huber 损失的稳健性。4.1 R 语言示例library(h2o) h2o.init() # 导入保险数据集 # 该数据集预测保单持有人将提出的索赔次数 insurance - h2o.importFile(https://s3.amazonaws.com/h2o-public-test-data/smalldata/glm_test/insurance.csv) # 设置预测变量名和响应列名 predictors - colnames(insurance)[1:4] response - Claims # 将列转换为因子类型 insurance[Group] - as.factor(insurance[Group]) insurance[Age] - as.factor(insurance[Age]) # 划分训练集与验证集 insurance_splits - h2o.splitFrame(data insurance, ratios 0.8, seed 1234) train - insurance_splits[[1]] valid - insurance_splits[[2]] # 使用 huber_alpha 参数 # 指定分布为 huber并设置 huber_alpha insurance_gbm - h2o.gbm(x predictors, y response, training_frame train, validation_frame valid, distribution huber, huber_alpha 0.9, seed 1234) # 打印验证集 MSE print(h2o.mse(insurance_gbm, valid TRUE)) # 对 huber_alpha 进行网格搜索 # 选择用于网格搜索的 huber_alpha 取值 hyper_params - list(huber_alpha c(0.2, 0.5, 0.8)) # 本例使用笛卡尔网格搜索因为搜索空间较小 # 且我们希望看到所有模型的性能。对于更大的搜索空间 # 建议改用随机网格搜索{strategy: RandomDiscrete} # 使用先前的 GBM 和超参数构建网格搜索 grid - h2o.grid(x predictors, y response, training_frame train, validation_frame valid, algorithm gbm, grid_id insurance_grid, distribution huber, hyper_params hyper_params, seed 1234) # 按 MSE 排序网格模型 sorted_grid - h2o.getGrid(insurance_grid, sort_by mse, decreasing FALSE) sorted_grid4.2 Python 示例import h2o from h2o.estimators.gbm import H2OGradientBoostingEstimator from h2o.grid.grid_search import H2OGridSearch h2o.init() # 导入保险数据集 # 该数据集预测保单持有人将提出的索赔次数 insurance h2o.import_file(https://s3.amazonaws.com/h2o-public-test-data/smalldata/glm_test/insurance.csv) # 设置预测变量名和响应列名 predictors insurance.columns[0:4] response Claims # 将列转换为因子类型 insurance[Group] insurance[Group].asfactor() insurance[Age] insurance[Age].asfactor() # 划分训练集与验证集 train, valid insurance.split_frame(ratios[.8], seed1234) # 使用 huber_alpha 参数 # 初始化估计器时指定分布为 huber并设置 huber_alpha insurance_gbm H2OGradientBoostingEstimator(distributionhuber, huber_alpha0.9, seed1234) # 训练模型 insurance_gbm.train(xpredictors, yresponse, training_frametrain, validation_framevalid) # 打印验证集 MSE print(insurance_gbm.mse(validTrue)) # 对 huber_alpha 进行网格搜索 # 选择用于网格搜索的 huber_alpha 取值 hyper_params {huber_alpha: [.2, .5, .8]} # 本例使用笛卡尔网格搜索因为搜索空间较小 # 且我们希望看到所有模型的性能。对于更大的搜索空间 # 建议改用随机网格搜索{strategy: RandomDiscrete} # 初始化 GBM 估计器分布为 huberseed 固定 insurance_gbm_2 H2OGradientBoostingEstimator(distributionhuber, seed1234) # 使用先前的 GBM 和超参数构建网格搜索 grid H2OGridSearch(modelinsurance_gbm_2, hyper_paramshyper_params, search_criteria{strategy: Cartesian}) # 使用网格进行训练 grid.train(xpredictors, yresponse, training_frametrain, validation_framevalid) # 按 MSE 升序排序网格模型 sorted_grid grid.get_grid(sort_bymse, decreasingFalse) print(sorted_grid)五、huber_alpha 的网格搜索与调优策略原文档特别强调了huber_alpha是可网格搜索的超参数。实践中可以参考以下策略小搜索空间用笛卡尔搜索Cartesian如示例中[0.2, 0.5, 0.8]穷举所有组合便于完整观察不同阈值对验证集 MSE 的影响大搜索空间用随机离散搜索RandomDiscrete当huber_alpha与ntrees、max_depth、learn_rate等其他超参数联合搜索时组合数会爆炸式增长此时应改用{strategy: RandomDiscrete}并配合max_models/max_runtime_secs限制搜索预算调优语义huber_alpha越小模型对离群点越稳健若你的验证集 MSE 对异常值高度敏感如长尾保险理赔数据建议从小值如 0.5~0.7开始搜索并与默认值 0.9 对比配合 seed 使用示例中固定seed 1234保证网格内各模型的比较不受随机性干扰。六、在 Deep Learning 中使用 huber_alpha除 GBM 外huber_alpha同样适用于Deep Learning深度神经网络回归。从源码看Deep Learning 的参数校验允许的分布族包括AUTO、bernoulli、multinomial、gaussian、poisson、gamma、laplace、quantile、huber、tweedie见 DeepLearning.java即huber分布是受支持的合法取值。因此在 Python 中训练稳健回归的神经网络时可这样配置from h2o.estimators.deeplearning import H2ODeepLearningEstimator dl H2ODeepLearningEstimator(distributionhuber, huber_alpha0.7, seed1234) dl.train(xpredictors, yresponse, training_frametrain, validation_framevalid) print(dl.mse(validTrue))在 R 中对应为dl - h2o.deeplearning(x predictors, y response, training_frame train, validation_frame valid, distribution huber, huber_alpha 0.7, seed 1234) h2o.mse(dl, valid TRUE)七、使用注意事项与适用范围必须搭配distributionhuber仅在huber分布下生效否则被忽略取值范围huber_alpha必须介于 0 和 1 之间默认 0.9响应列类型huber分布要求响应列为数值型见 distribution.rstXGBoost 不支持laplace、quantile、huber三种分布均不可用于 XGBoost见 distribution.rst残差与叶节点双重应用huber_alpha既决定了每轮迭代残差更新所用的全局 delta也参与叶节点最优常数的截断修正中位数 修正量因此对模型的稳健性影响是全链路的与 DRF 的关系随机森林DRF仅支持AUTO、bernoulli、multinomial、gaussian不支持 huber 分布请勿在 DRF 上使用该参数。八、相关参数与文档导航distributionHuber 分布的选择入口也是huber_alpha的激活前提文档中还给出了各分布对应的响应列类型约束与回归/分类场景选型指南quantile_alpha与huber_alpha同属“损失阈值类”参数配合distributionquantile使用tweedie_power配合distributiontweedie使用属于同族的分部形状参数。如需进一步了解实现细节可深入阅读 GBM.javahuber delta 计算、Distribution.javahuberDelta 注入以及 GBMV3.javaREST API 参数注册以完整掌握huber_alpha从配置到训练的全链路行为。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Molecule自动化测试实战如何构建 ansible-role-postgresql 的 PostgreSQL CI 流水线Molecule自动化测试实战如何构建 ansible role postgresql 的 PostgreSQL CI 流水线 ansible role po如何快速上手 faster-whisper-large-v25分钟完成多语言语音识别如何快速上手 faster whisper large v25分钟完成多语言语音识别 faster whisper large v2 是一款基于 CTrans社区最佳实践如何将resnet50.fb_ssl_yfcc100m_ft_in1k集成到现有AI工作流中社区最佳实践如何将resnet50.fb_ssl_yfcc100m_ft_in1k集成到现有AI工作流中 想要在现有AI工作流中集成一个性能卓越的图像分类模型上一篇免费文档下载工具推荐零基础5分钟学会一键下载百度文库等30平台文档下一篇告别60帧卡顿用WaveTools鸣潮工具箱解锁120帧顺带把抽卡分析玩明白了创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考