R 树的数量（单位：h2o.gbm）

在传统的gbm中，我们可以使用 gbm（model，newsdata=…，n.tree=…）

这样我就可以用不同数量的树来比较测试数据的结果

在h2o.gbm中，虽然要设置n.tree，但似乎对结果没有任何影响。它与默认模型完全相同：

h2o.test.pred <- as.vector(h2o.predict(h2o.gbm.model, newdata=test.frame, n.tree=100))
R2(h2o.test.pred, test.mat$y)
[1] -0.00714109
h2o.test.pred <- as.vector(h2o.predict(h2o.gbm.model, newdata=test.frame, n.tree=10))
> R2(h2o.test.pred, test.mat$y)
[1] -0.00714109

---

h2o.test.pred我认为h2o不支持您所描述的内容

但是，如果您所追求的是根据使用的树的数量获得性能，那么可以在构建模型时完成

library(h2o)
h2o.init()

iris <- as.h2o(iris)
parts <- h2o.splitFrame(iris,c(0.8,0.1))
train <- parts[[1]]
valid <- parts[[2]]
test <- parts[[3]]
m <- h2o.gbm(1:4, 5, train,
             validation_frame = valid,
             ntrees = 100, #Max desired
             score_tree_interval = 1)

h2o.scoreHistory(m)
plot(m)

库（h2o）
h2o.init（）
虹膜从
3.20.0.6
H2O开始。您正在寻找的方法是
. 对于分类模型，它在每次迭代（树）之后，针对测试框架中的每个观察，生成预测的类概率。对于回归模型（即，当响应为数值时），尽管没有真正记录，但它会为测试框架中的每个观察结果生成实际预测

根据这些预测，还可以很容易地计算各种性能指标（AUC、r2等），假设这就是您所追求的

Python API：

staged\u predict\u proba=模型。staged\u predict\u proba（测试）

R API:

staged_predict_proba要预测，您只能使用
h2o.gbm中的模型。模型
n.tree未使用@s.brunel 2.8.1.1非常旧。最新文档：请在否决投票时发表评论，特别是如果存在一些需要纠正的技术错误。（我认为我在第一句话中正确地回答了这个问题。）