我看到当我们进行网格搜索以调整超参数时，我们可以在几个地方设置种子，例如，我们可以在以下 3 个地方设置种子
- 当我们使用 H2OGradientBoostingEstimator 初始化估计器时，
- 当我们定义search_criteria时，我们也可以放种子
- 当我们开始使用定义的网格进行训练时，我们还可以将 seed 放入 train 函数中
这 3 个是多余的，我们只需要在其中之一中设置还是每个角色都扮演不同的角色？
谢谢！
在使用 Python API 时，有两个地方可以指定种子
1(估算器，让我们以GBM为例
gbm = H2OGradientBoostingEstimator(nfolds=5, seed=1234)
gbm.train(x=features,y=response,training_frame=train)
请注意，我没有在train方法中指定种子。如果将种子参数传递给train它将中断。
从 API 文档中，您可以看到未提供种子参数。
train(x=None, y=None, training_frame=None, offset_column=None, fold_column=None, weights_column=None, validation_frame=None, max_runtime_secs=None, ignored_columns=None, model_id=None, verbose=False)
此处的文档中是估算器种子的定义。
此选项为依赖于随机化的算法指定随机数生成器 (RNG( 种子。定义种子后，算法的行为将具有确定性。 每个 H2O 实例的种子是一致的，因此您可以在备用配置中创建具有相同起始条件的模型。
2(H2OGridSearch中的search_criteria。对于文档：
关于search_criteria的更多信息： 这是用于更智能超参数搜索的控制参数字典。字典可以包含以下值：策略、max_models、max_runtime_secs、stopping_metric、stopping_tolerance、stopping_rounds和种子。策略的默认值"笛卡尔"涵盖了超参数组合的整个空间。如果要使用笛卡尔网格搜索，可以不指定 search_criteria 参数。指定"随机离散"策略以对超参数的所有组合执行随机搜索。随机离散通常应与至少一个早期停止标准(max_models和/或max_runtime_secs(结合使用。下面是一些示例：
虽然您可以将种子参数传递给train方法进行网格搜索而不会中断任何内容，但那里的种子参数不执行任何操作。如果要运行可重现的网格搜索，则需要在 search_criteria 参数中指定种子参数，如下所示
# build grid search with previously made GBM and hyper parameters
grid = H2OGridSearch(model = my_model, hyper_params = hyper_params,
search_criteria = {'strategy': "RandomDiscrete", "max_runtime_secs" : 10, "seed" :1234})
# train using the grid
grid.train(x = predictors, y = response, training_frame = train, validation_frame = valid)