我想训练二进制S形前馈网络类别分类使用真棒vowpal wabbit tool以下命令：vowpal-wabbit：使用多次通过，坚持和坚持期以避免过度配合？
vw --binary --nn 4 train.vw -f category.model
并对其进行测试：
vw --binary -t -i category.model -p test.vw
但我有非常不好的结果（比较我线性svm估计器）。
我发现了一条评论，我应该使用Number of Training Passes参数（--passes arg）。
所以我的问题是如何知道培训通行证的次数，以便获得再培训模型？
P.S.我应该使用holdout_period的说法吗？如何？
问题中的测试命令不正确。它没有输入（-p ...指示输出预测）。此外，如果你想测试或预测因为它说test但使用的命令有-p ...
测试意味着您已标记的数据和您在评估模型的质量，目前尚不清楚。严格地说：预测意味着你没有标签，所以你实际上不知道你的预测有多好。实际上，您也可以预测未标注的数据（假设它没有忽视它们的标签），然后评估这些预测的效果如何，因为您实际上有标签。
一般：
，如果你想要做的二元分类，你应该{-1, 1}使用标签和使用--loss_function logistic。 --binary这是一个独立的选项，意思是你希望预测是二进制的（给你更少的信息）。
如果您已经拥有带标签的单独测试套件，则无需坚持。
在vw的Holdout机构被设计用来替换所述测试设置和避免过度拟合，它是唯一的相关当多次通过在单次通过所有实例有效地持有，因为使用;每个下一个（但看不见的）示例被视为1）未标记用于预测，并且2）标记为测试和模型更新。 IOW：你的火车集合也是你的测试集。
所以你可以做的多遍动车组没有抵抗：
vw --loss_function logistic --nn 4 -c --passes 2 --holdout_off train.vw -f model
，然后测试一个单独的模型和标记，测试设置：
vw -t -i model test.vw
或做多次通过相同的列车集与一些持有作为测试集。
vw --loss_function logistic --nn 4 -c --passes 20 --holdout_period 7 train.vw -f model
如果你没有一个测试集，并且要适应，更强的通过使用多遍，你可以问vw举行，每N个例子（默认N为10，但你可以使用--holdout_period <N>明确地覆盖它，如上所示）。在这种情况下，您可以指定更高的通行证数量，因为vw将在外出集合的损失开始增加时自动提前终止。
你会发现你打提前终止，因为vw将打印出类似这样：
passes used = 5
...
average loss = 0.06074 h
这表明只有5个N次传递提早终止前实际使用，并在持有了集错误例如是0.06074（尾随h表示这是外出损失）。
正如你所看到的，通过次数，和持久期是完全独立的选项。
为了提高您的模型并获得更多信心，您可以使用其他优化，更改holdout_period，尝试其他参数。您可能还想检查vw-hypersearch实用程序（在utl子目录中）以帮助查找更好的超参数。
下面是关于包含在源与测试组中的一个使用vw-hypersearch的一个示例：
$ 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，要么4或5应该是好的参数上的相应的固定产生的0.08888损失11个例子中1个的子集。