基于決策樹分類器的遷移學習研究.pdf_第1頁
已閱讀1頁，還剩62頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領

文檔簡介

1、在傳統(tǒng)的機器學習方法中,訓練集與測試集通常來自于同一分布。但是遷移學習所研究的問題是如何將源域樣本集遷移到不同分布的目標領域,并輔助訓練目標域模型,從而提高模型的訓練效果。近年來,遷移學習逐漸成為了研究熱點,并產(chǎn)生了一定的研究成果。決策樹算法是常用的分類算法之一,但是在遷移任務中,決策樹分類算法的相關研究卻很少。針對這一現(xiàn)象,本文主要研究傳統(tǒng)決策樹分類算法在遷移任務中的改進。
　　本文將遷移成分分析法與CART算法相結(jié)合設計了TC

2、A_CART算法,并將其用于遷移學習中多分類問題的研究。同時分析了TCA_CART算法的不足,在此基礎上利用 K-means聚類算法對其進行改進。改進的方式是在決策樹的分支過程中對樣本數(shù)據(jù)進行聚類操作,將部分與目標域樣本特征相似但是標簽不一致的源域樣本數(shù)據(jù)進行剔除,從而得到適應目標域的決策樹分類器。隨后通過對TrAdaBoost算法以及TrBag算法進行分析,指出了傳統(tǒng)的基于樣本的遷移學習中存在的缺陷,并通過 Bootstrapping

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論