磁盘上的R h2o模型大小

我正在使用

h2o

软件包培训GBM，以解决客户流失预测问题

我只想知道是什么影响保存在磁盘上的已安装模型的大小（通过

h2o.saveModel（）

），但不幸的是，我在任何地方都找不到答案

更具体地说，当我调整GBM以在3个相同长度的非重叠滚动窗口上找到最佳超参数（通过

h2o.grid（）

）时，我获得了大小不可比的模型（即11mb、19mb和67mb）。hyperparameters网格是相同的，列车组大小也是可比的

自然地，得到的优化超参数在3个时间间隔内是不同的，但我看不出这如何在模型大小上产生如此大的差异

此外，当我基于这些超参数集训练实际模型时，我最终也得到了不同大小的模型

感谢您的帮助！ 多谢各位

---

另外，很抱歉，我无法共享任何数据集以使其可复制（由于隐私限制）

这是您期望的两件事：树的数量和深度

但这也取决于你的数据。对于GBM，可以根据数据缩短树

我要做的是导出Mojo，然后按照以下文档中的描述对其进行可视化，以获得有关实际生产的更多详细信息：

---

请注意，60 MB的范围通常不会太大。

如果查看模型信息，您将了解有关树的数量、平均深度等信息。比较这三个最好的模型可以让您了解是什么让模型变得更大

从R开始，如果

m

是您的模型，只需打印它即可提供大部分信息

str（m）

为您提供所持有的所有信息

我认为这是值得调查的。原因可能是其中两个数据窗口相对清晰，只有少数字段可以定义树，而第三个数据窗口更混乱（在数学意义上），当它试图将其拆分为决策树时，会生成一些深树

更深入地观察第三个窗口可能会建议您可以做一些数据工程，这将使学习更容易。或者，这可能是数据中的差异。例如，2016年和2017年的数据中有一列全部为空，但2018年的数据中没有，因为2018年是您开始收集数据的一年，正是这一额外的列允许/导致树木变得更深

最后，网格超参数可能对性能不重要，这是由于噪声造成的差异。例如，您将

max_depth

作为超参数，但对MSE的影响较小，而噪声是一个很大的因素。这些随机差异可能会使您的最佳模型在两个数据集中进入深度5（但第二个最佳模型差0.01%，但进入深度20），但在第三个数据集中进入深度30（但第二个最佳模型差0.01%，但仅进入深度5）。

---

（如果我正确理解了您的问题，您已经排除了这种可能性，因为您随后在相同的超参数上训练了所有三个数据集？但我想我还是会包括它。）

我将仔细研究这两个参数，也许它们的差异解释了不同的模型尺寸。然而，我试图理解为什么这三种型号的尺寸会有如此大的差异。感谢您在比较了三个模型的参数之后，最重要的区别似乎是

min_rows

pmt。前两款为16，后一款为1。此外，最后一个模型的

mean_leaves

数量要高得多，大约是其他模型的7倍（这应该是

min_row

pmt的结果，对吧？）。

max_depth

pmt在各车型中非常相似，即19、17、17，而

ntrees

为160、270、150。我将查看grid Searchs的排行榜，以评估这种差异是否是由于噪音造成的，因为这三个训练集具有相同的功能structure@davide

min_行

的一个小值肯定可以解释更大的模型。我会非常小心使用

minu rows

1，因为有过度拟合的风险，除非数据中没有噪声。另见