R H20-具有分层抽样和非i.d.的交叉验证行数

Question

我正在使用H2O分析数据集，但是我不确定如何正确地对数据集执行交叉验证。我有一个不平衡的数据集，因此我想执行分层交叉验证（如果使用输出变量来平衡每个分区上的组）。

但是，最重要的是，我还有一个问题，我的许多行都是重复的（一种实现权重而实际上没有权重的方法）。独立于此问题的源头，我之前已经看到过，在某些情况下，如果必须将某些行保持在一起，则可以进行交叉验证。这似乎是fold_column的用法。但是，不可能同时做这两者吗？

如果没有H2O解决方案，该如何计算先验倍数并将其用于H2O？

Answer 1

基于H2O-3 docs，此操作无法完成：

  

请注意，所有三个选项仅适用于i.i.d的数据集。如果数据集需要自定义分组以执行有意义的交叉验证，则应创建并提供fold_column。

一个快速的想法是使用weights_column而不是复制行。然后balance_classes和weights_column都可以作为参数 GBM，DRF，深度学习，GLM，朴素贝叶斯和AutoML。

否则，我建议遵循在R或H2O中对数据执行的工作流程，以实现折页分配和折页之间重复项的一致性：

1. 获取原始数据集（数据中尚未重复）
2. 根据结果字段将其分为2组（不平衡的一组）：一组为正，一组为负（如果是多项式，则有尽可能多的组）
3. 通过在两个集合中分别分配新的foldId列，将每个集合分成N个折叠：这实现了分层的折叠
4. 组合（rbind）一起退回
5. 应用实现权重的行复制过程（该过程将立即自动保留您的折叠分配）。