私はバイナリ分類の問題（誤検出のコストが高い）の精度を最大限にしようとしています。データセットも実際に不均衡です。偽陽性に対抗するために、体重列を2回目に使用してDRFまたはXGBOOSTモデルを2回実行するのは理にかなっていますか？H2Oランダムフォレストとxgboostでの重みカラムの使用
これらのH2Oアルゴリズムには、この潜在的な方法の他に、（ログ損失ではなく）精度を最大化するための他の方法がありますか？私はアンサンブルを使うつもりです（精度を上げるようです）。相互検証は役に立ちません。
まず、balance_classes（trueに設定）を使用します。不均衡なデータがあればそれは少し助けになります。 （細かい制御が必要な場合はclass_sampling_factorsとmax_after_balance_sizeもご覧ください）
1つのモデルの出力を使用して2番目のモデルを重み付けすることは、危険です。積み重ねられたアンサンブルのアイデアのように聞こえるが、手作業でコード化されたカスタムコードはバグを持つ可能性が高い。 （ただし、試してみると、コードと結果を見るのが面白いでしょう）
精度を最大限にするにはアンサンブルと一緒に行き、3つまたは4つの異なるモデル強みと弱み。例えば。 GBM、GLM、すべてのデフォルトを持つ深い学習モデル、次にドロップアウトを使用した深い学習モデル（および隠れたノードを追加して補償する）などがあります。