machine-learning - 处理生产中训练算法的多个 h2o api 调用的最佳方法是什么？

Question

我正在尝试构建一个 Web 应用程序，它允许用户上传数据集，选择他们选择的 h2o 算法并训练他们的数据集以构建模型。现在，如果多个用户同时访问服务器，h2o 开始并行处理请求（开始训练模型）。这增加了所有用户的培训时间。那么，在这种情况下我应该使用 h2o 的最佳方式是什么？我应该将这些请求保留在队列中并一一执行吗？（这会增加新用户的等待时间）

我在一个 50 MB 结构化和干净的数据集上运行了一个 GLM 模型进行分类。同时执行两个 api 调用（模型 1 和 2）几乎是我单独运行它（模型 3）时的两倍

标签： machine-learningdeep-learningdata-scienceh2o

Answer 1

我会让他们排队。

此外，我每次都会从头开始重新启动 H2O 集群。

最后，我会从 python 或 R 驱动 H2O 集群。