Vowpal Wabbit'de sıradan en küçük kareler regresyonunu yöneten var mı? Ben aynı çözüm tam çözüm olarak, yani ||y - X a||_2 + ||Ra||_2
en aza indirmek için seçerken (burada R düzenlidir) analitik cevap a = (X^T X + R^T R)^(-1) X^T y
almak istiyorum onaylamak için çalışıyorum. Bu tür bir regresyonun yapılması, numpy python'da yaklaşık 5 satır alır.Vowpal Wabbit'de Sıradan En Küçük Kareler Regresyonu
VW belgelerinin bunu yapabildiğini (muhtemelen "kare" kayıp işlevi) önerdiğini ancak şimdiye kadar python sonuçlarını eşleştirmeye bile yaklaşamadığımı gösterir. Çünkü, ben sadece varsayılan kayıp fonksiyonu çağırıyorum karesine:
girdi.txt1.4 | 0:3.4 1:-1.2 2:4.0 .... etc
gibi hattına sahip
$ vw-varinfo input.txt
Ben buna VW bazı diğer parametreleri gerekiyor mu? (Oldukça minimal) belgeleri gren edemiyorum.
Sorunun ne olduğunu anlayın. Ne aldığınıza karşı ne beklediğinizi açıklayan daha fazla bilgi verebilir misiniz? – Spaceghost
Unutmayın ki vw, modelin ağırlıklarını (OLS'nin katsayıları) her örnek için yalnızca hafifçe güncelleyen ve asla geri dönmeyecek veya düzensiz bir şekilde güncelleyen bir çevrimiçi algoritmadır. Bir toplu iş algoritmasına benzer bir performans elde etmek istiyorsanız, özellikle örnek sayısı özellik sayısından daha büyük değilse, yakınsamaya kadar girişte birden fazla geçiş yapmanız gerekecektir (örn. -c --passs 100). '). – arielf
"--loss_function klasik" vanilya en küçük kareleri verecektir. "--loss_function squared" çoğu zaman daha iyi performans gösterir, çünkü 'Çevrimiçi Önemi Ağırlıklı Aware Updates' (bkz. http://arxiv.org/abs/1011.1576) –