是否可以使用Vowpal Wabbit Library训练多类（多项式）线性分类模型？
我尝试将--oaa与--loss_function平方一起使用，但是--oaa的默认损失函数似乎是逻辑的。
我正在使用rcv1.multiclass作为输入。
一种解决方案：
我可以创建数据的多个版本，如下所示：
版本I：将除类别I外的所有标签设为零
然后，我可以为每个数据版本训练多个二进制分类。最后，我可以将测试数据提供给所有分类器并应用argmax。有没有更好的（自动化）解决方案？
当您使用时vw --oaa N，您实际上会得到一个线性的N类分类器。为了得到一个非线性的分类，你会需要增加二次/多项式功能（-q，--cubic，--interactions）或内核（--ksvm）或隐藏层（--nn）或任何其他非线性减少（--lrq，--stage_poly，--autolink）。
损失函数的选择不影响分类器是否为线性。默认值为--loss_function=squared。对于分类，我建议使用--loss_function=logistic（--probabilities如果要预测每个班级的可能性，则可以使用）或--loss_function=hinge（如果您只关心顶级班级的话）。
然后，我可以为每个数据版本训练多个二进制分类。最后，我可以将测试数据提供给所有分类器并应用argmax。有没有更好的（自动化）解决方案？
是的，这确实是这样--oaa做的（但效率更高）。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句