artificial-intelligence - VowpalWabbit 预测不正确。如何正确准备学习数据？

Question

我正在尝试学习大众根据卧室、浴室、面积和其他特征的数量来预测房价。我的训练数据示例行是：

68000 '51-OMAHA-CT| city=SACRAMENTO zip=95823 state=CA beds:3 baths:1 sq__ft:1167 type=Residential sale_date=Wed-May-21-00-00-00-EDT-2008 latitude=38.478902 longitude=-121.431028
56333 '3526-HIGH-ST| city=SACRAMENTO zip=95838 state=CA beds:2 baths:1 sq__ft:836 type=Residential sale_date=Wed-May-21-00-00-00-EDT-2008 latitude=38.631913 longitude=-121.434879
68790 '2796-BRANCH-ST| city=SACRAMENTO zip=95815 state=CA beds:2 baths:1 sq__ft:796 type=Residential sale_date=Wed-May-21-00-00-00-EDT-2008 latitude=38.618305 longitude=-121.443839

价格街 | ...总共大约 500 条记录。我的测试数据是（大约 500 条记录）：

'51-OMAHA-CT| city=SACRAMENTO zip=95823 state=CA beds:3 baths:1 sq__ft:1167 type=Residential sale_date=Wed-May-21-00-00-00-EDT-2008 latitude=38.478902 longitude=-121.431028
'3526-HIGH-ST| city=SACRAMENTO zip=95838 state=CA beds:2 baths:1 sq__ft:836 type=Residential sale_date=Wed-May-21-00-00-00-EDT-2008 latitude=38.631913 longitude=-121.434879
'2796-BRANCH-ST| city=SACRAMENTO zip=95815 state=CA beds:2 baths:1 sq__ft:796 type=Residential sale_date=Wed-May-21-00-00-00-EDT-2008 latitude=38.618305 longitude=-121.443839

预测给出这些值：

4819.900391 51-OMAHA-CT
4609.826172 3526-HIGH-ST
4537.140137 2796-BRANCH-ST

这些不是正确的预测。我不确定我的训练数据是否有问题？我还是很困惑| 字符和放置功能。

标签： artificial-intelligencevowpalwabbit

Answer 1

当您将特征构造为city=SACRAMENTO时，大众将其解释为具有名称的字符串特征city=SACRAMENTO并为其分配隐含值1.0。city=SACRAMENTO被散列并形成特征的索引。

当您将特征构造为beds:2时，大众将其解释为具有名称beds且特征值为 的特征2.0。beds被散列并形成索引。

因此，将表单中的特征__=__视为枚举或离散集合中的值。当您具有连续特征时，应使用浮点值。

对城市名称使用该__=__格式似乎很好，但是当您对纬度和经度使用相同的格式时，另一个示例不太可能共享相同的确切 lat/lng 字符串，从而能够在预测中使用该功能。在我看来，lat/lng 应该是一个基于浮点数的功能。

对于sale_date您有类似的问题。这可能更像是一个特征工程，但也许你想把这个特征分成年份、星期几、月份等。