是否可以从H2O中的拟合GLM模型获得惩罚可能性？

Question

有诸如h2o.logloss和h2o.residual_deviance之类的访问器，但我希望得到惩罚的可能性，这是在训练过程中优化的值。有没有一种方法可以访问此值而无需手动重新计算？

Answer 1

是的，您可以从得分历史记录表h2o.scoreHistory(model)中获得此信息，这将为您提供以下信息：

Scoring History: 
            timestamp   duration iterations negative_log_likelihood objective
1 2019-03-19 11:58:57  0.000 sec          0               509.21546   1.34004
2 2019-03-19 11:58:58  0.053 sec          1               489.50869   1.28818
3 2019-03-19 11:58:58  0.073 sec          2               488.06524   1.28438
4 2019-03-19 11:58:58  0.090 sec          3               487.83225   1.28377
5 2019-03-19 11:58:58  0.106 sec          4               487.79622   1.28367
6 2019-03-19 11:58:58  0.116 sec          5               487.78870   1.28365
7 2019-03-19 11:58:58  0.126 sec          6               487.78701   1.28365
8 2019-03-19 11:58:58  0.136 sec          7               487.78659   1.28365

这会在目标列中为您提供负对数可能性和惩罚性负对数可能性。

所以您只需要获取最后一个迭代即可获得感兴趣的值，您可以执行以下操作：

score_table = h2o.scoreHistory(model)
score_table[length(score_table),'objective']

其中model是您的H2O-3模型对象。