h2o GBM：为什么我的网格搜索没有运行我想要的树数量 我的结果是：

如何解决h2o GBM：为什么我的网格搜索没有运行我想要的树数量 我的结果是：

我在网格（超参数）搜索方面遇到了一些困难。 我目前正在 R 中使用 h2o（最新版本）。我的问题是当我指定一个带有 2 个超参数的笛卡尔网格进行测试时：

hyper_grid <- list(max_depth = c(1,2),ntrees    = c(600,1000))

然后我使用函数 h2o.grid 启动搜索以获取我的网格，它正在为我构建一个包含 107 个模型的网格。此外，当我指定 "multinomial" 分布时，它没有考虑在内。

最后，我不明白为什么网格向我显示具有 100 棵树的“最佳模型”，而我要求创建具有 600 或 1000 棵树的模型，最大深度为 3，而我要求最大深度应该是1 或 2。

我的代码是：

hyper_grid <- list(max_depth = c(1,1000))

# perform grid search 
grid <- h2o.grid(
  algorithm = "gbm",grid_id = "gbm_grid1",x = predicteurs,y = "strategie",distribution = "multinomial",auc_type = "WEIGHTED_OVO",training_frame = train_nav_80,# Containing 80% of all data
  validation_frame = valid_nav_80,# Containing 20% of all data 
  hyper_params = hyper_grid,seed = 1
  )

# collect the results and sort by our model performance metric of choice
grid_perf <- h2o.getGrid(
  grid_id = "gbm_grid1",sort_by = "auc",decreasing = F
  )
grid_perf

我的结果是：

Grid ID: gbm_grid1 
Used hyper parameters: 
  -  max_depth 
  -  ntrees
 
Number of models: 107,Number of Failed models: 0 
Hyper-Parameter Search Summary: ordered by increasing auc

H2OBinomialMetrics: gbm
** Reported on validation data. **

MSE:  0.2284556
RMSE:  0.4779703
LogLoss:  0.6495512
Mean Per-Class Error:  0.346857
AUC:  0.7472901
AUCPR:  0.7680425
Gini:  0.4945802
R^2:  0.082338

### Best model : ###
- Number of trees = 100,- number_of_internal_trees = 100
- max_depth = 3

提前致谢