我需要在RH2o上对gbm模型进行参数优化。我对H2o还比较陌生，我认为在执行下面的操作之前，我需要将ntrees和learn_rate(如下所示)转换为H2o向量。我该如何执行这个操作？谢谢！

ntrees <- c(100,200,300,400)
learn_rate <- c(1,0.5,0.1)
for (i in ntrees){
  for j in learn_rate{
    n = ntrees[i]
    l= learn_rate[j]
    gbm_model <- h2o.gbm(features, label, training_frame = train, validation_frame = valid, ntrees=ntrees[[i]],max_depth = 5,learn_rate=learn_rate[j])
    print(c(ntrees[i],learn_rate[j],h2o.mse(h2o.performance(gbm_model, valid = TRUE))))
  }
}

回答：

你可以使用h2o.grid()来进行网格搜索

# 指定你的超参数
hyper_params = list( ntrees = c(100,200,300,400), learn_rate =  c(1,0.5,0.1) )
# 然后构建你的网格
grid <- h2o.grid(
## 超参数
hyper_params = hyper_params,
## 运行哪个算法
algorithm = "gbm",
## 网格的标识符，用于稍后检索
grid_id = "my_grid",
## 标准模型参数
x = features, y = label, training_frame = train, validation_frame = valid,
## 设置一个种子以确保结果可重复
seed = 1234)

你可以在R文档中阅读更多关于h2o.grid()的工作原理 http://docs.h2o.ai/h2o/latest-stable/h2o-r/h2o_package.pdf