R 为什么H2O自动编码器对于一个数据集而不是另一个数据集如此慢？

当我在大约相同大小的两个不同数据集上运行H2O autoencoder时（见下文），我可以在5分钟内完成一个数据集（A），但另一个数据集（B）非常慢。完成数据集B的1%只需要>30分钟。我尝试重新启动R会话和H2O几次，但都没有帮助。对于两个数据集，模型中的参数（或系数）数量大致相同

---

数据集A:大小为4*1000000（此问题已解决

问题是，在模型运行期间，经过一次热编码后，数据集B有更多的列。请参见下文

数据集A：

共有4个分类特征。这些分类特征的唯一值数分别为12、14、25和10

数据集B：

共有7个分类特征和1个数字特征。分类特征的唯一值数量分别为17、49、52、85、5032（！）、18445（！！）和392124（！！！）。这解释了为什么它如此缓慢

model.dl = h2o.deeplearning(x = x, training_frame = data.hex, autoencoder = TRUE, activation = "Tanh", hidden = c(25,25,25), variable_importances = TRUE)

H2O cluster version:        3.30.0.1
H2O cluster total nodes:    1
H2O cluster total memory:   15.00 GB
H2O cluster total cores:    16
H2O cluster allowed cores:  16
H2O cluster healthy:        TRUE
R Version:                  R version 3.6.3 (2020-02-29)