Machine learning Vowpal Wabbit可读模型

我使用的是Vowpal Wabbit，并生成作为可读模型训练的分类器

我的数据集有22个特征，可读模型作为输出：

Version 7.2.1
Min label:-50.000000
Max label:50.000000
bits:18
0 pairs:
0 triples:
rank:0
lda:0
0 ngram:
0 skip:
options:
:0
101143:0.035237
101144:0.033885
101145:0.013357
101146:-0.007537
101147:-0.039093
101148:-0.013357
101149:0.001748
116060:0.499471
157941:-0.037318
157942:0.008038
157943:-0.011337
196772:0.138384
196773:0.109454
196774:0.118985
196775:-0.022981
196776:-0.301487
196777:-0.118985
197006:-0.000514
197007:-0.000373
197008:-0.000288
197009:-0.004444
197010:-0.006072
197011:0.000270

谁能给我解释一下如何解释文件的最后一部分（选项：）吗？我在使用逻辑回归，我需要检查迭代训练如何更新我的分类器，以便我能够理解何时达到收敛

---

提前感谢：）

您看到的值是所有22个特征的哈希值和权重，以及生成的训练模型中的一个附加“常量”特征（其哈希值为116060）

格式为：

hash_value:weight

为了查看原始要素名称而不是哈希值，可以使用以下两种方法之一：

• 在训练集中使用与训练相同的选项，使用

  utl/vw varinfo

  （在源代码树中）实用程序。请尝试

  utl/vw varinfo

  以获取帮助/用法消息
• 使用相对较新的

  ——invert_hash readable.model

  选项

顺便说一句：由于性能损失较大，将散列值反转回原始功能名称不是默认值。默认情况下，vw对其看到的每个特征字符串应用单向散列。它根本不维护功能名称与其哈希值之间的哈希映射

编辑：

另一个有趣的小贴士是

options:

之后的第一个条目，内容如下：

:0

---

它本质上意味着任何“其他”特征（所有不在训练集中的特征，因此未散列到权重向量中）默认为权重0。这意味着在vowpal wabbit中训练值为零的特性是多余的，这是默认值。显式

：0

值功能对模型没有任何贡献。当您在训练集中遗漏权重时，如：

feature\u name

中没有尾随的

：

vowpal wabbit隐式地假设它是一个二进制特征，具有

TRUE

值。IOW：它将所有无值功能的值默认为一（

：1

），而不是零（

：0

）。HTH.

Vowpal Wabbit现在还有一个

--invert_hash

选项，它将为您提供一个可读的模型，其中包含实际变量以及散列

---

它会消耗更多的内存，但由于您的模型看起来很小，它可能会工作。

我是新来的Vowpal Wabbit，您能告诉我使用逻辑回归训练数据的选项吗？以下内容是否足够：

vw-d列输出-f data.model--丧失功能后勤