Deep learning h2o深度学习每次运行的不同结果

我使用python对2个平衡类“0”和“1”的数据进行h2o深度学习，并将参数调整如下：

prostate_dl = H2ODeepLearningEstimator(
     activation=,"Tanh"
     hidden=[50,50,50],
     distribution="multinomial",
    score_interval=10,
    epochs=1000,
    input_dropout_ratio=0.2
    ,adaptive_rate=True
    , rho=0.998, epsilon = 1e-8
    )

prostate_dl .train( 
x=x,
y=y,
training_frame =train,
validation_frame = test) 

每次程序运行都会给出不同的混淆矩阵和精确结果，你能解释一下吗？结果如何才能可靠

---

此外，所有的运行都给出了大多数预测为类“1”而不是“0”，他们有什么建议吗？

这个问题已经得到了回答，但是在Python中初始化

H2ODeepLearningEstimator

时（或者在R中的

h2o.deeplearning（）

中），您需要设置

represeable=TRUE

即使设置了

repeatable=TRUE

，H2O深度学习结果也只能在使用单个核心时再现；换句话说，当

h2o.init（nthreads=1）

时。本文概述了这背后的原因

此外，根据H2O深度学习：

是否每个映射器任务都在一个单独的神经网络模型上工作，该模型在还原过程中被合并，或者每个映射器都在操作一个跨节点持久化的共享对象？

都不是；每个计算节点有一个模型，所以有多个 映射器/线程共享一个模型，这就是为什么H2O不可复制的原因 除非使用一个小数据集并强制加载平衡=F或 可复制=T，有效地重新平衡到单个块和 只导致一个线程启动map（）。当前的行为是 简单模型平均；通过“弹性”进行节点间模型平均 目前正在进行“平均化”

---

请将“另外，所有的运行都将大多数预测作为“1”类而不是“0”，他们是否有任何建议？”移至一个单独的问题（并提供一个可复制的示例）。谢谢。是的，当我设置repeatable=TRUE和seed=1时，它就起作用了。尽管这两个类在培训阶段是平衡的，但有人能建议我如何让结果不偏向某一类吗？