我在查看Vowpal Wabbit的文档，了解它是如何实际进行学习的。传统的上下文强盗学习通过F(上下文, 动作) = 奖励来学习，找到最大化奖励的动作，并返回该动作作为推荐。“F”可以是任何模型；线性模型、神经网络、XGB等，通过批处理学习。即收集100个上下文、100个动作、100个奖励，训练机器学习模型，然后重复这一过程。
现在，VW文档中说它将“所有上下文强盗问题简化为成本敏感的多类分类问题。”好的，我查阅了相关资料，但似乎仍然需要一个函数F来最小化这个问题，对吗？
我已经仔细阅读了文档，要么是：
- 错过了批处理的默认学习器是什么，或者，
- 不明白VW在这种成本敏感框架下是如何实际学习的？
我甚至在pyvwlib中仔细查看了vw.learn()方法。谢谢你的帮助！
回答：
错过了批处理的默认学习器是什么，
VW的默认学习器是线性表示上的SGD，但可以通过命令行参数进行修改。
不明白VW在这种成本敏感框架下是如何实际学习的？
在上下文强盗学习中，与所采取的动作相关的奖励被用于学习。VW在ips模式下，通过在未采取的动作处放置零，并对所采取动作的奖励进行重要性加权，将其转换为每个动作的奖励。填补缺失数据后，它将问题视为一个监督学习问题来处理。
