以下是提高大众车型性能的一些技巧：

1. 在训练之前对数据进行洗牌。对数据集进行非随机排序真的会搞砸大众。
2. 您已经在使用多个通道，这很好。尝试同时衰减通过之间的学习率，使用--decay_learning_rate=.95.
3. 玩转学习率。我有过--learning_rate=10很棒的案例和其他很棒的案例--learning_rate-0.001。
4. 尝试 --oaa 16or--log_multi 16而不是--ect 16. 我通常发现ect不太准确。但是，oaa速度很慢。我发现--log_multi这是速度和准确性之间的一个很好的折衷方案。在 10,000 个训练示例上，--oaa 16应该没问题。
5. 玩一下损失函数。 --loss_function=hinge有时可以对分类模型产生很大的改进。
6. 使用--l1和--l2参数来规范您的模型。 --l2特别适用于文本数据。尝试类似的东西--l2=1e-6。
7. 对于文本数据，尝试--ngram=2将--skips=2n-gram 和 skipgram 添加到您的模型中。这有很大帮助。
8. 尝试--autolink=2或--autolink=3拟合二次或三次样条模型。
9. 尝试使用 .ftrl 进行优化--ftrl。这对于具有一些极其罕见和一些极其常见特征的文本数据或数据集非常有用。
10. 尝试一些学习减少：
    1. 尝试使用--nn=1或的浅层神经网络--nn=10。
    2. 尝试使用--ksvm --kernel=rbf --bandwidth=1. （这可能非常慢）。
    3. 尝试使用 --ksvm --kernel=poly --degree=3. （这可能非常慢）。
    4. 用 .gbm 试试--boosting=25。这可能有点慢。

VW 非常灵活，因此通常需要进行大量微调才能在给定数据集上获得良好的模型。您可以在此处获得更多调整想法：https ://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

关于您链接到的帖子：该人在不平衡分类问题上 使用带有平方损失的 vw。这是一件愚蠢的事情，并且几乎可以保证任何线性模型都将始终预测占主导地位的类别。如果您担心班级平衡，大众汽车支持权重，因此您可以超重稀有班级。

编辑：您有 100 个课程和 10,000 个训练示例？这是每个班级平均 100 次观察，无论您使用什么模型，都没有多少值得学习的地方。