我想訓練二進制S形前饋網絡類別分類使用真棒vowpal wabbit tool以下命令：vowpal-wabbit：使用多次通過，堅持和堅持期以避免過度配合？
vw --binary --nn 4 train.vw -f category.model
並對其進行測試：
vw --binary -t -i category.model -p test.vw
但我有非常不好的結果（比較我線性svm估計器）。
我發現了一條評論，我應該使用Number of Training Passes參數（--passes arg）。
所以我的問題是如何知道培訓通行證的次數，以便獲得再培訓模型？
P.S.我應該使用holdout_period的說法嗎？如何？
問題中的測試命令不正確。它沒有輸入（-p ...指示輸出預測）。此外，如果你想測試或預測因爲它說test但使用的命令有-p ...
測試意味着您已標記的數據和您在評估模型的質量，目前尚不清楚。嚴格地說：預測意味着你沒有標籤，所以你實際上不知道你的預測有多好。實際上，您也可以預測未標註的數據（假設它沒有忽視它們的標籤），然後評估這些預測的效果如何，因爲您實際上有標籤。
一般：
，如果你想要做的二元分類，你應該{-1, 1}使用標籤和使用--loss_function logistic。 --binary這是一個獨立的選項，意思是你希望預測是二進制的（給你更少的信息）。
如果您已經擁有帶標籤的單獨測試套件，則無需堅持。
在vw的Holdout機構被設計用來替換所述測試設置和避免過度擬合，它是唯一的相關當多次通過在單次通過所有實例有效地持有，因爲使用;每個下一個（但看不見的）示例被視爲1）未標記用於預測，並且2）標記爲測試和模型更新。 IOW：你的火車集合也是你的測試集。
所以你可以做的多遍動車組沒有抵抗：
vw --loss_function logistic --nn 4 -c --passes 2 --holdout_off train.vw -f model
，然後測試一個單獨的模型和標記，測試設置：
vw -t -i model test.vw
或做多次通過相同的列車集與一些持有作爲測試集。
vw --loss_function logistic --nn 4 -c --passes 20 --holdout_period 7 train.vw -f model
如果你沒有一個測試集，並且要適應，更強的通過使用多遍，你可以問vw舉行，每N個例子（默認N爲10，但你可以使用--holdout_period <N>明確地覆蓋它，如上所示）。在這種情況下，您可以指定更高的通行證數量，因爲vw將在外出集合的損失開始增加時自動提前終止。
你會發現你打提前終止，因爲vw將打印出類似這樣：
passes used = 5
...
average loss = 0.06074 h
這表明只有5個N次傳遞提早終止前實際使用，並在持有了集錯誤例如是0.06074（尾隨h表示這是外出損失）。
正如你所看到的，通過次數，和持久期是完全獨立的選項。
爲了提高您的模型並獲得更多信心，您可以使用其他優化，更改holdout_period，嘗試其他參數。您可能還想檢查vw-hypersearch實用程序（在utl子目錄中）以幫助查找更好的超參數。
下面是關於包含在源與測試組中的一個使用vw-hypersearch的一個示例：
$ vw-hypersearch 1 20 vw --loss_function logistic --nn % -c --passes 20 --holdout_period 11 test/train-sets/rcv1_small.dat --binary
trying 13 ............. 0.133333 (best)
trying 8 ............. 0.122222 (best)
trying 5 ............. 0.088889 (best)
trying 3 ............. 0.111111
trying 6 ............. 0.1
trying 4 ............. 0.088889 (best)
loss(4) == loss(5): 0.088889
5 0.08888
指示，要麼4或5應該是好的參數上的相應的固定產生的0.08888損失11個例子中1個的子集。