問題タブ [vowpalwabbit]

ヒューリスティックに、2 つの別々のソースからストリーミングされたデータを使用してニューラル ネットワークをトレーニングしています。

ただし、これは「--oaa を複数回渡すことはできません」というエラーが発生します。結構です、--save_resume構成引数を保持しているので、私は改訂しました：

そしてすべてがうまくいきました。好奇心から、--save_resumeオプションなしで 2 番目のアプローチを繰り返しましたが、モデルのパフォーマンスがわずかに低下したことを除いて、すべてが機能しました。

--save_resume重みファイルに見られる学習率と例の数を保存すると推測します。これは、出力から発生しているように見えたものであり、パフォーマンスの向上を裏付けています。他に何かありますか？

編集:少し実験した後、最初のリグレッサーを経由して渡すと-i、「オプション '--oaa' を複数回指定することはできません」というエラーが発生することがわかりました--save_resume。

VW 内で LDA のモデル適合性を比較する方法はありますか? この目的のために、ソフトウェアによるプログレッシブ ロス出力はまったく意味がありますか?

VWでハッシュトリックがどのように行われるかを説明できる人はいますか? 具体的には、要旨からの以下の説明：

デフォルトは、マーマーハッシュ v3 (32 ビットのみ) アルゴリズムのバリアントを使用してマシン アーキテクチャの符号なしワードに機能名をハッシュ/射影し、(2^k)-1 で AND 演算します (つまり、最初の k まで射影されます)。残りを 0 にした下位ビット)。

ハッシュが (2^k)-1 と「AND」された結果について言及しています。これは何を意味するのでしょうか？ハッシュが mod 数値 D(hash('my string')%D)である場合、 D 値のみを取ることができる新しい数値になることを理解しています。これはANDと同じですか？もしそうなら、それはどのように正確に機能しますか？

私はコンテキストバンディットのためにこの例を実行しています。例のデータは彼らのものです:

提案としてコマンドを使用： vw -d train.dat --cb 4 --cb_type dr -f traindModel

そして、このコマンドからポリシーを抽出する方法と、それを解釈する方法を知りたいですか?

そして、私は行きます

そのような出力を受け取ります

それらの結果をどのように解釈しますか? ポリシーを抽出する方法は?

このタイプのコマンドも試しました：

そして次の結果を得ました：

din output のレコードが 5 つしかなく、 c, b,のレコードが 7 つあるのはなぜaですか? c特徴、b、aがデータに 3 回出現し、d2 回しか出現しなかったことに対応しますか? 8 つの一定の行もあります。それらは何に対応していますか?

--adaptive フラグが使用されたときに VW によって行われた更新に関する次の 2 つのプレゼンテーションを見ています。これらは違うようです。

1. http://www.slideshare.net/jakehofman/technical-tricks-of-vowpal-wabbit
2. https://github.com/JohnLangford/vowpal_wabbit/wiki/v6.1_tutorial.pdf

これら2つの説明を（それぞれ）：

#1

#2

私の質問:

1. これらのうち正しいものはどれですか (または同じものですか)?

2. 数値 1 では、t+1 の例の勾配が分母に使用されているようです。これはどのように行われますか？これは、新しい重み (ラベル w_i) が、たとえば t+1 の重みであることを意味しますか?

R または python で分析を実行している間、機能名 (その値) のみを認識して使用します。Vowpal Wabbit には名前空間もあります。

理解できません: 名前空間の意味; b. 機能とどう違うのですか; c. いつ使用されますか？そして使わない時は？つまり、使用を避けることができますか。d. そして、それはどのように使用されますか？

1つまたは2つの例に感謝します。質問が多くてすみません。

バイナリデータを分類しようとしています。データ ファイルでは、クラス [0,1] は [-1,1] に変換されます。データには 21 個の特徴があります。すべての機能はカテゴリです。トレーニングにニューラルネットワークを使用しています。トレーニング コマンドは次のとおりです。

生の予測ファイルを次のように作成します。

通常の予測ファイルは次のとおりです。

生ファイルの最初の 5 行は次のとおりです。

(通常の) 予測ファイルの最初の 5 行は次のとおりです。

この（通常の）出力を生の出力と集計しました。5 つの raw 行のそれぞれの (最後または) 終了 float 値が上記と同じであることに気付きました。

生の出力も通常の出力と理解していただきたいです。各行が 22 組の値を保持しているということは、22 個のニューロンと関係がありますか? 出力を [-1,1] として解釈する方法と、上記のいずれかを確率に変換するためにシグモイド関数が必要な理由。助けてくれてありがとう。