我目前正在使用H2o DeepLearning和GradientBoosting计算通过分位数回归得出的预测间隔。在H2o中，您必须为每个间隔构建和训练单独的模型，例如：
对于95％的预测间隔，您需要针对下限(100-95)/2)=2.5%和上限(100 - (100-95)/2)=97.5%使用单独的模型。
现在，我正在尝试通过Grid-Search优化模型参数。最好的方法是什么？
运行网格-搜索其中一种模型，并对所有模型使用网格的最佳模型的参数。
还是为每个模型运行一个单独的网格并最终获得两个具有不同参数的模型？
我担心的是，在选项2中，整个时间间隔将不一致，因为这两种模型不再具有可比性。
有人对此有经验吗？