vw – Online in der Cloud

PROGRAMM:

NAME/FUNKTION

vw – Vowpal Wabbit – schnelles Online-Lerntool

BESCHREIBUNG

VW Optionen:
--random_seed arg
Seed-Zufallszahlengenerator

--Ringgröße arg
Größe des Beispielrings

Aktualisierung Optionen:
-l [ --Lernrate ] Arg
Lernrate festlegen

--power_t arg
t Leistungswert

--decay_learning_rate arg
Legen Sie den Abklingfaktor für die Lernrate zwischen den Durchgängen fest

--initial_t arg
anfänglicher t-Wert

--feature_mask arg
Verwenden Sie den vorhandenen Regressor, um zu bestimmen, welche Parameter aktualisiert werden können. Wenn nein
initial_regressor angegeben, wird auch für Anfangsgewichte verwendet.

Körpergewicht Optionen:
-i [ --initial_regressor ] Arg
Anfängliche Regressoren

--initial_weight arg
Setzen Sie alle Gewichtungen auf einen Anfangswert von arg.

--random_weights arg
Machen Sie die Anfangsgewichte zufällig

--input_feature_regularizer arg
Eingabedatei für die Regularisierung pro Feature

Parallelisierung Optionen:
--span_server arg
Standort des Servers zum Einrichten des Spanning Tree

--fäden
Aktivieren Sie Multithreading

--Eindeutige ID Argumente (=0)
Eindeutige ID, die für Cluster-Paralleljobs verwendet wird

--gesamt Argumente (=1)
Gesamtzahl der Knoten, die im Cluster-Paralleljob verwendet werden

--Knoten Argumente (=0)
Knotennummer im Cluster-Paralleljob

Diagnostisch Optionen:
--Version
Versionsinformation

-a [ --Prüfung ]
Gewichte von Features drucken

-P [ --Fortschritt ] Arg
Häufigkeit der Fortschrittsaktualisierung. int: additiv, float: multiplikativ

--ruhig
Geben Sie keine Diagnosen und Fortschrittsaktualisierungen aus

-h [ --help ]
Schau hier: http://hunch.net/~vw/ und klicken Sie auf Tutorial.

Merkmal Optionen:
--hasch arg
wie man die Funktionen hasht. Verfügbare Optionen: Zeichenfolgen, alle

--ignorieren arg
Ignorieren Sie Namespaces, die mit Zeichen beginnen

--halten arg
Behalten Sie Namespaces bei, die mit einem Zeichen beginnen

--redefinieren arg
Definieren Sie Namensräume, die mit Zeichen der Zeichenfolge S beginnen, als Namensraum N neu.
muss die Form „N:=S“ haben, wobei := der Operator ist. Leere N oder S werden als Standard behandelt
Namensraum. Verwenden Sie „:“ als Platzhalter in S.

-b [ --bit_precision ] Arg
Anzahl der Bits in der Feature-Tabelle

--noconstant
Fügen Sie keine konstante Funktion hinzu

-C [ --Konstante ] Arg
Anfangswert der Konstante festlegen

--ngram arg
Erzeuge N Gramm. Um N Gramm für einen einzelnen Namespace „foo“ zu generieren, sollte arg sein
fN.

--springt arg
Generieren Sie Sprünge in N Gramm. Dies kann in Verbindung mit dem Ngram-Tag verwendet werden
Generieren Sie ein verallgemeinertes N-Skip-K-Gramm. Um n-Skips für einen einzelnen Namespace zu generieren
'foo', arg sollte fN sein.

--feature_limit arg
Beschränkung auf N Features. Um auf einen einzelnen Namespace „foo“ anzuwenden, sollte arg fN sein

--Affix arg
Präfixe/Suffixe von Features generieren; Argument „+2a,-3b,+1“ bedeutet, dass 2 Zeichen generiert werden
Präfixe für Namespace a, 3-stellige Suffixe für b und 1-stellige Präfixe für Standard
Namensraum

--Rechtschreibung arg
Berechnen Sie Rechtschreibfunktionen für einen bestimmten Namespace (verwenden Sie „_“ für den Standard-Namespace).

--Wörterbuch arg
Lesen Sie ein Wörterbuch für zusätzliche Funktionen (arg entweder 'x:file' oder nur 'file')

--dictionary_path arg
Suchen Sie in diesem Verzeichnis nach Wörterbüchern. Standardmäßig ist das aktuelle Verzeichnis oder env{PATH}

--Interaktionen arg
Erstellen Sie Feature-Interaktionen beliebiger Ebene zwischen Namespaces.

--Permutationen
Verwenden Sie Permutationen anstelle von Kombinationen für Feature-Interaktionen derselben
Namespace.

--leave_duplicate_interactions
Entfernen Sie keine Interaktionen mit doppelten Kombinationen von Namespaces. Zum Beispiel. Das
ist ein Duplikat: '-q ab -q ba' und vieles mehr in '-q ::'.

-q [ --quadratisch ] Arg
Erstellen und verwenden Sie quadratische Features

--Q: arg
: entspricht einem Platzhalter für alle druckbaren Zeichen

--kubisch arg
Erstellen und verwenden Sie kubische Features

Beispiel Optionen:
-t [ --testonly ]
Ignorieren Sie die Informationen auf dem Etikett und testen Sie einfach

--holdout_off
Keine Holdout-Daten in mehreren Durchgängen

--holdout_period arg
Haltezeit nur für Tests, Standard 10

--holdout_after arg
Holdout nach n Trainingsbeispielen, standardmäßig deaktiviert (deaktiviert Holdout_Periode)

--early_terminate arg
Geben Sie die Anzahl der tolerierten Durchgänge an, wenn der Holdout-Verlust vorher nicht abnimmt
vorzeitige Kündigung, Standard ist 3

--geht vorbei arg
Anzahl der Trainingspässe

--initial_pass_length arg
anfängliche Anzahl von Beispielen pro Durchgang

--Beispiele arg
Anzahl der zu analysierenden Beispiele

--min_prediction arg
Kleinste auszugebende Vorhersage

--max_prediction arg
Größte auszugebende Vorhersage

--sort_features
Aktivieren Sie diese Option, um die Reihenfolge zu ignorieren, in der Features definiert wurden. Das wird führen
zu kleineren Cache-Größen

--verlustfunktion arg (=quadratisch)
Geben Sie die zu verwendende Verlustfunktion an. Standardmäßig wird das Quadrat verwendet. Derzeit verfügbar
Es gibt quadratische, klassische, Scharnier-, Logistik- und Quantil-Modelle.

--quantile_tau Argumente (=0.5)
Parameter \tau im Zusammenhang mit Quantilverlust. Der Standardwert ist 0.5

--l1 arg
l_1 Lambda

--l2 arg
l_2 Lambda

--named_labels arg
Verwenden Sie Namen für Beschriftungen (mehrere Klassen usw.) anstelle von Ganzzahlen, Argument angegeben
alle möglichen Labels, Komma-Trennzeichen, z. B. „--named_labels Noun,Verb,Adj,Punc“

Ausgang Modell:
-f [ --final_regressor ] Arg
Endgültiger Regressor

--readable_model arg
Gibt einen für Menschen lesbaren endgültigen Regressor mit numerischen Funktionen aus

--invert_hash arg
Gibt einen für Menschen lesbaren endgültigen Regressor mit Funktionsnamen aus. Rechnerisch
teuer.

--save_resume
Speichern Sie den zusätzlichen Status, damit das Lernen später mit neuen Daten fortgesetzt werden kann

--save_per_pass
Speichern Sie das Modell nach jedem Datendurchlauf

--output_feature_regularizer_binary arg
Ausgabedatei für die Regularisierung pro Feature

--output_feature_regularizer_text arg Pro Feature-Regularisierungsausgabedatei,
im Text

Ausgang Optionen:
-p [ --Vorhersagen ] Arg
Datei, in die Vorhersagen ausgegeben werden sollen

-r [ --raw_predictions ] Arg
Datei, in die nicht normalisierte Vorhersagen ausgegeben werden sollen

Reduzierungsoptionen, verwenden Sie [Option] --help Für mehr Information:

--bootstrap arg
K-Way-Bootstrap durch Online-Wichtigkeits-Resampling

--Suche arg
Verwenden Sie Learning zum Suchen, Argument=maximale Aktions-ID oder 0 für LDF

--replay_c arg
Erfahrungswiedergabe auf einem bestimmten Niveau verwenden [b=Klassifizierung/Regression,
m=multiclass, c=kostensensitiv] mit angegebener Puffergröße

--cbify arg
Konvertieren Sie Multiclass auf Klassen in ein kontextuelles Banditenproblem

--cb_adf
Führen Sie kontextuelles Bandit-Lernen mit mehrzeiligen aktionsabhängigen Funktionen durch.

--cb arg
Nutzen Sie kontextuelles Bandit-Lernen mit Kosten

--csoaa_ldf arg
Nutzen Sie Eins-gegen-Alle-Multiklassen-Lernen mit labelabhängigen Funktionen. Angeben
einzeilig oder mehrzeilig.

--wap_ldf arg
Verwenden Sie gewichtetes All-Pair-Multiclass-Lernen mit labelabhängigen Funktionen.

Geben Sie einzeilig oder mehrzeilig an.

--interagieren arg
Gewichten Sie Feature-Produkte aus Namespaces Und

--csoaa arg
Eins-gegen-alle Multiklasse mit Kosten

--multilabel_oaa arg
Eins-gegen-alles Multilabel mit Etiketten

--log_multi arg
Verwenden Sie den Online-Baum für mehrere Klassen

--ect arg
Fehler beim Korrigieren des Turniers mit Etiketten

--erhöhen arg
Online-Boosting mit schwache Lernende

--oaa arg
Eins-gegen-alle Multiklasse mit Etiketten

--oben arg
Top-K-Empfehlung

--replay_m arg
Erfahrungswiedergabe auf einem bestimmten Niveau verwenden [b=Klassifizierung/Regression,
m=multiclass, c=kostensensitiv] mit angegebener Puffergröße

--binär
Verlust als binäre Klassifizierung melden -1,1

--Verknüpfung arg (=Identität)
Geben Sie die Linkfunktion an: Identität, Logistik oder glf1

--stage_poly
Verwenden Sie stufenweises Polynom-Merkmalslernen

--lrqfa arg
Verwenden Sie quadratische Merkmale mit niedrigem Rang und feldbezogenen Gewichten

--lrq arg
Verwenden Sie quadratische Merkmale mit niedrigem Rang

--autolink arg
Verknüpfungsfunktion mit Polynom d erstellen

--new_mf arg
Rang für reduktionsbasierte Matrixfaktorisierung

--nn arg
Sigmoidales Feedforward-Netzwerk mit versteckte Einheiten

--Vertrauen
Erhalten Sie Vertrauen für binäre Vorhersagen

--active_cover
Ermöglichen Sie aktives Lernen mit Abdeckung

--aktiv
aktives Lernen ermöglichen

--replay_b arg
Erfahrungswiedergabe auf einem bestimmten Niveau verwenden [b=Klassifizierung/Regression,
m=multiclass, c=kostensensitiv] mit angegebener Puffergröße

--bfgs Verwenden Sie die bfgs-Optimierung

--conjugate_gradient
Verwenden Sie eine konjugierte, auf Gradienten basierende Optimierung

--lda arg
Führen Sie lda mit aus Themen

- nein nicht lernen

--drucken
Druckbeispiele

--Rang arg
Rang für die Matrixfaktorisierung.

--senden an arg
Schicken Sie Beispiele an

--svrg Streaming stochastische Varianz reduzierter Gradient

--ftrl FTRL: Folgen Sie dem proximalen regulierten Anführer

--Pistole
FTRL: Parameterfreies stochastisches Lernen

--ksvm Kernel-SVM

Gradient Descent Optionen:
--sgd Verwenden Sie eine regelmäßige stochastische Gradientenabstiegsaktualisierung.

--adaptiv
Nutzen Sie adaptive, individuelle Lernraten.

--invariant
Verwenden Sie sichere/wichtige Updates.

--normalisiert
Verwenden Sie pro Funktion normalisierte Updates

--sparse_l2 Argumente (=0)
Verwenden Sie pro Funktion normalisierte Updates

Eingang Optionen:
-d [ --Daten ] Arg
Beispielsatz

--dämon
Persistenter Daemon-Modus auf Port 26542

--Hafen arg
Port zum Abhören; Verwenden Sie 0, um einen nicht verwendeten Port auszuwählen

--num_children arg
Anzahl der Kinder für den persistenten Daemon-Modus

--pid_file arg
Schreiben Sie die PID-Datei im persistenten Daemon-Modus

--port_file arg
Schreibport, der im persistenten Daemon-Modus verwendet wird

-c [ --Zwischenspeicher ]
Verwenden Sie einen Cache. Die Standardeinstellung ist .Zwischenspeicher

--cache_file arg
Der/die Speicherort(e) von „cache_file“.

-k [ --kill_cache ]
Vorhandenen Cache nicht wiederverwenden: immer einen neuen erstellen

--komprimiert
Verwenden Sie nach Möglichkeit das gzip-Format. Wenn eine Cache-Datei erstellt wird, ist diese Option
erstellt eine komprimierte Cache-Datei. Eine Mischung aus Rohtext und komprimierten Eingaben
Unterstützt mit automatischer Erkennung.

--no_stdin
Lesen Sie nicht standardmäßig von stdin

Nutzen Sie VW online über die Dienste von onworks.net