data-science - Vowpal Wabbit：数据与多通道打乱的数据 - 为什么在学习之前打乱文件有助于提高指标

Question

我尝试探索大众的多通道：

1. 我为相同的训练数据运行 vw 进行常规运行（1 次通过）并通过 2 到 5 次（在检查的通过之间删除缓存）并使用不同的测试文件检查模型。结果表明，我的指标在通过之间恶化（过度拟合）。
2. 然后我检查了对数据进行洗牌时结果的表现。我想在每次传递数据时检查我的指标的行为（--passes 3 将在第一次和第二次内部传递之后进行改组），但是因为我有一个大的训练数据文件，我只在每次之前随机改组训练数据一次通过（再次 2 到 5，在检查的通过之间删除缓存）。当我使用测试文件检查模型时，结果显示我的指标在通过之间有所改善。
3. 我在不同的数据集上做了几次这个实验，并且在使用多通道+随机播放时总是得到改进。

我试图了解我得到的结果。我不明白为什么在学习之前对文件进行一次改组有助于改进指标。为什么它也不是过拟合？它与使用原始数据集（无随机播放）有何不同？

标签： data-sciencevowpalwabbitmultipass

Answer 1

VW 默认使用在线学习，众所周知，训练数据排序很重要（与批量学习不同）。想象一个二元分类，其中所有负面训练示例都排在所有正面示例之前——最终模型很可能将所有内容预测为正面。因此需要（并推荐）对数据进行洗牌。

关于是否需要在每个 epoch（通过）之后进行洗牌（当数据在整个学习之前已经洗牌时）有不同的意见（和经验结果）。它不应该受到伤害，但它需要一些时间。大型数据集不需要它（但对于非常庞大的数据集，单次传递需要大量时间，因此通常无论如何您都负担不起超过 3 次传递）。