Machine learning Vowpal Wabbit上的梯度增强

有没有一种方法可以在使用Vowpal Wabbit的回归中使用梯度增强？我使用了Vowpal Wabbit附带的各种有用的技术。我想尝试一下梯度增强，但我找不到一种方法来实现大众的梯度增强

的思想是，集合模型是由黑盒弱模型构建的。您当然可以将大众汽车用作黑匣子，但请注意，大众汽车不提供决策树，这是boosting中黑匣子较弱的车型最常用的选择。一般来说，增压会减少偏差（并增加方差），因此您应该确保大众车型具有低方差（无过度拟合）。看

大众汽车在增压和装袋方面有一些降低：

• --autolink N

  添加了一个带有多项式N的链接函数，这可以被认为是一种简单的增强方法

• --log\u multi K

  是一种用于K类分类的在线boosting算法。看见您甚至可以将其用于二进制分类（K=2），但不能用于回归

• --引导M

  通过在线重要性重采样实现M路引导。使用

  --bs_type=vote

  进行分类，使用

  --bs_type=mean

  进行回归。请注意，这是，而不是增压

• ——增强N

  （于2015年6月17日添加）针对N名弱学习者的在线增强，请参见

---

感谢您的帮助，非常感谢！昨天发表了一篇关于“在线梯度提升”的非常相关的论文。这里提到了大众。