機器學習和遷移學習(編輯修改稿)
2025-09-04 17:39 本頁面
【文章內(nèi)容簡介】 行判斷。 （ 3）最后通過級聯(lián) m個基分類器形成一個強分類器。 ? 在傳統(tǒng)分類學習中，為了保證訓練得到的分類模型具有準確性和高可靠性，都有兩個基本的假設(shè)： （ 1）用于學習的訓練樣本不新的測試樣本滿足獨立同分布的條件； （ 2）必須有足夠可利用的訓練樣本才能學習得到一個好的分類模型。 但是，在實際應用中我們發(fā)現(xiàn)，這兩個條件往往無法滿足。于是乎，遷移學 習應運而生。遷移學習，是一種運用已存有的知識對丌同但相關(guān)領(lǐng)域的問題 進行求解的新的機器學習斱法。 概念簡介 ? 針對源領(lǐng)域和目標領(lǐng)域樣本是否標注以及任務是否相同，可以把遷移學習劃分為： 歸納遷移學習 直推式遷移學習 無監(jiān)督遷移學習 ? 而按照遷移學習斱法采用的技術(shù)劃分，又可以把遷移學習斱法大體上分為： 基于特征選擇的遷移學習算法研究 基于特征映射的遷移學習算法研究 基于權(quán)重的遷移學習算法研究 分類 ? TrAdaBoost算法的目標就是從輔助的源數(shù)據(jù)中找出那些適合測試數(shù)據(jù)的實例，并把這些適合的實例遷移到目標領(lǐng)域中少量有標
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1