vowpal_wabbit Téléchargement - vowpal

vowpal_wabbit

C/C++

9.10.0

Télécharger

Vowpal wabbit

Ceci est le code d'apprentissage en ligne Vowpal Wabbit .

Pourquoi vowpal wabbit?

Vowpal Wabbit est un système d'apprentissage automatique qui pousse la frontière de l'apprentissage automatique avec des techniques telles que en ligne, hachage, allreduce, réductions, apprentissage2-recherche, apprentissage actif et interactif. L'accent est mis sur l'apprentissage du renforcement avec plusieurs algorithmes de bandit contextuel mis en œuvre et la nature en ligne des prêts au problème. Vowpal Wabbit est une destination pour la mise en œuvre et la maturation des algorithmes de pointe avec les performances.

Format d'entrée. Le format d'entrée pour l'algorithme d'apprentissage est sensiblement plus flexible que prévu. Des exemples peuvent avoir des fonctionnalités composées de texte de formulaire gratuit, qui est interprété de manière sac-mot. Il peut même y avoir plusieurs ensembles de texte de formulaire gratuit dans différents espaces de noms.
Vitesse. L'algorithme d'apprentissage est rapide - similaire aux quelques autres implémentations d'algorithmes en ligne. Il existe plusieurs algorithmes d'optimisation disponibles, la ligne de base étant une descente de gradient clairsemée (GD) sur une fonction de perte.
Évolutivité. Ce n'est pas la même chose aussi vite. Au lieu de cela, la caractéristique importante ici est que l'empreinte mémoire du programme est limitée indépendamment des données. Cela signifie que l'ensemble de formation n'est pas chargé dans la mémoire principale avant le début de l'apprentissage. De plus, la taille de l'ensemble des fonctionnalités est limitée indépendamment de la quantité de données de formation à l'aide de l'astuce de hachage.
Interaction de caractéristiques. Les sous-ensembles de fonctionnalités peuvent être appariés en interne afin que l'algorithme soit linéaire dans le produit transversal des sous-ensembles. Ceci est utile pour les problèmes de classement. L'alternative d'élargir explicitement les fonctionnalités avant de les alimenter dans l'algorithme d'apprentissage peut être à la fois à forte intensité de calcul et à forte intensité de l'espace, selon la façon dont il est géré.

Visitez le wiki pour en savoir plus.