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汽车根据卧室数量、浴室数量、面积和其他特征来预测房价。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。

Answer 1

当您将特征构造为city=SACRAMENTO 时，大众将其解释为名称为city=SACRAMENTO 的字符串特征，并为其分配一个隐式值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，大众将其解释为名称为beds 且特征值为2.0 的特征。 beds 被散列并形成索引。

因此，将__=__ 形式的特征视为枚举，或来自离散集合的值。当您有连续特征时，应使用浮点值。

对于城市名称，使用__=__ 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精确纬度/经度字符串能够使用它预测中的特征。在我看来，lat/lng 应该是基于浮点数的特征。

对于sale_date，您也有类似的问题。这可能更像是一个特征工程，但也许您想将此特征拆分为年份、星期几、月份等。