我对 vowpal wabbit 比较陌生，想了解一下 -b 参数（特征表中的特征位）。
我的训练数据是这样的。总共有大约100万字。
1 | a = "word" b ="word131232" c="word1233" d = "word123124" e = "word23145"
但是，每行只有 5 个特征。我应该使用多少位？我尝试运行它，似乎随着示例数量的增加，功能集的数量似乎也在增加。我似乎不明白为什么会这样。
【问题讨论】：
标签： hash parameters vowpalwabbit bit-depth
如果您使用-b 18（这是默认值），这些特征将被散列到一个包含 2^18 个项目的表中，因此如果您的数据集中唯一特征的数量接近 2^18（甚至更高） )，你应该增加参数-b，这样就不会有那么多hash冲突了。没有简单的方法来检测碰撞次数，但通常的做法是调整参数-b 以获得最佳渐进式验证损失（如果您使用更多通道，则为保持损失）。当然，这也取决于您机器上的可用内存。
1 | a = "word" b ="word131232" c="word1233" d = "word123124" e = "word23145"
请注意，此示例是错误的（不是您想要的），因为 = 周围有空格。等号没有特殊含义（与用于分隔特征值的冒号不同）。功能名称中不能包含空格。无需将功能名称括在引号中。所以这个例子应该是这样的
1 | word word131232 word1233 word123124 word23145
如果前缀 a、b、c、d、e 有一些特殊含义（即 a=word42 应该是与 b=word42 不同的特征），您可以使用：
1 | a=word b=word131232 c=word1233 d=word123124 e=word23145
如果你的所有单词都已经映射到整数（在 0-2^b 范围内），你可以直接将它们用作特征名称，并且不会进行哈希处理（除非你指定 --hash=all）：
1 | 0 131232 1233 123124 23145
请参阅wiki page about input format。
功能集的数量似乎在增加
在进度报告中（默认为每 2^x 个示例），在最后一列可以看到current features，这是当前示例的特征数（包括常数特征和二次/三次/. .. 功能，如果你使用它们）并且它不应该增加（除非你有这样奇怪的数据）。
在最终报告中，vw 打印 total feature number，这是每个示例的平均特征数乘以示例数乘以通过次数（所以它不是数据集中的独特特征）。
【讨论】：