如何使用SVM在vowpal wabbit中使用装袋或增强包装。
我目前的结果是90%的召回率和10%的精度。
vw -d train.dat -c compressed --passes 10 --oaa 3 -f train.model --loss_function hinge
我想使用装袋/提升来提高精度
最佳答案
为了增强功能,请使用--boosting N
(最近添加,因此请使用GitHub上的VW)。
对于装袋,请使用--bootstrap M
。请参见Gradient boosting on Vowpal Wabbit。
我看不到如何定义召回率和精度以将其分为3类。现在让我们假设您有一个标准的二进制分类(分为正和负两类),并且您想优化F1分数(精度和召回率的谐波平均值),并且精度为10%,召回率为90%。因此,只有10%的正面预测的例子是真正正面的。 (这可能是由于数据不平衡或测试数据中阳性样本与训练数据的比例不同所致。)在这种情况下,我建议增加阴性样本的重要性权重(请参见VW wiki处的[重要性])。 (或降低正面示例的重要性)。
关于machine-learning - 用元音wabbit装袋/增强,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/30981264/