如何预测第 n 棵树的 H2O GBM 模型？

如何解决如何预测第 n 棵树的 H2O GBM 模型？

pros_gbm = H2OGradientBoostingEstimator(nfolds=0,seed=1234,keep_cross_validation_predictions = False,ntrees=1000,max_depth=3,learn_rate=0.01,distribution='multinomial') pros_gbm.train(x=predictors,y=target,training_frame=hf_train,validation_frame = hf_test)

pros_gbm.predict(hf_test)

目前，我正在像上面一样预测我的测试数据，但是我如何预测这个模型的第 n 棵树（1000 棵树中）的测试数据？ “预测”中是否有任何选项，或者还有其他方法吗？

解决方法

您可以使用 staged_predict_proba() 和来自 predict_leaf_node_assignment() 的前导节点分配获得预测概率（每棵树的累积概率）。下面是一个例子：

from h2o.estimators import H2OGradientBoostingEstimator

# Import the prostate dataset into H2O:
prostate = h2o.import_file("http://s3.amazonaws.com/h2o-public-test-data/smalldata/prostate/prostate.csv")

# Set the predictors and response; set the factors:
prostate["CAPSULE"] = prostate["CAPSULE"].asfactor()
predictors = ["ID","AGE","RACE","DPROS","DCAPS","PSA","VOL","GLEASON"]
response = "CAPSULE"

# Build and train the model:
pros_gbm = H2OGradientBoostingEstimator(nfolds=5,seed=1111,keep_cross_validation_predictions = True)
pros_gbm.train(x=predictors,y=response,training_frame=prostate)

print(pros_gbm.predict_leaf_node_assignment(prostate[:1,:]))
print(pros_gbm.staged_predict_proba(prostate[:1,:]))

如果您需要每棵树的详细信息（叶子/分割信息），您也可以查看 Tree Class。