当我在大约相同大小的两个不同数据集上运行H2O自动编码器时(请参见下文),我可以在5分钟内完成一个数据集(A),而另一个数据集(B)确实很慢。数据集B仅花费1%的时间就花费了30分钟以上。我尝试重新启动R会话和H2O几次,但这没有帮助。对于两个数据集,模型中的参数(或系数)数量大致相同。
数据集A:大小为4 * 1,000,000(<5分钟)
数据集B:大小为8 * 477,613(非常慢)
下面的模型用于两个数据集:
model.dl = h2o.deeplearning(x = x, training_frame = data.hex, autoencoder = TRUE, activation = "Tanh", hidden = c(25,25,25), variable_importances = TRUE)
两个数据集的H2O群集内存均为15GB。使用同一台计算机(OS X 10.14.6,16 GB内存)。以下是有关H2O和R的版本的一些信息。
H2O cluster version: 3.30.0.1
H2O cluster total nodes: 1
H2O cluster total memory: 15.00 GB
H2O cluster total cores: 16
H2O cluster allowed cores: 16
H2O cluster healthy: TRUE
R Version: R version 3.6.3 (2020-02-29)
请让我知道是否可以提供其他信息来解决此问题。
此问题已解决。
问题是,在模型运行期间,进行一次热编码后,数据集B的列更多。请参阅下面。
数据集A:
有4个分类特征。这些分类特征的唯一值数量分别为12、14、25和10。
数据集B:
有7个分类特征和1个数字特征。分类特征的唯一值的数量分别是17、49、52、85、5032(!),18445(!!)和392124(!!!)。这解释了为什么它这么慢。