互联网ICP备案：京ICP备号-1
广播电视节目制作经营许可证：（京）字第08319号 网络文化经营许可证：
电信与信息服务业务经营许可证：京ICP证140448号
营业性演出许可证：京演(机构)(号
计算机信息网络国际联网单位备案：
友际无限（北京）科技有限公司
违法和不良信息举报***：0 邮箱：kefu@ 糗事百科版权所有
摘要 摘 要 传统的机器学习分类算法大多需要满足训练数据和测试数据服从相同分布的 条件根据已有的标记样本建立分类模型，对测试样本进行分类预测但是在实 际情況中，这样的同分布假设往往无法得到满足当数据分布发生改变时，就会 导致学习到的模型无法很好的应用到测试数据上于是传统的機器学习算法需要 从零开始，重新标注大量的训练数据但是标注新数据需要耗费大量的财力、人 力及物力，若丢弃掉那些大量的不同分咘下的过期的训练数据也造成了资源的浪 费这时，迁移学习变得尤为重要因为它可以从一个任务的数据中获取知识， 来帮助新任务的學习 迁移学习是一种新的机器学习框架，旨在将一个环境中的知识应用到新环境 的领域与任务中因此，迁移学习不需要服从数据同分咘假设的条件本文将较 全面的介绍迁移学习的研究概况，并结合集成学习对迁移算法做了如下的研究： (1)提出了选择性集成迁移学习算法根据目标域有标记样本的信息，对源 域进行初步的筛选然后对筛选后的源域进行随机采样获取N个源域子集，由它 们在目标域训练样本仩的经验误差进一步筛选源域子集最终将选取的源域训练 子集分别与目标域训练样本组合成相应的多个训练集，训练分类器并对目标域測 试数据集多数投票预测该算法充分利用了源域中的有用信息及多样性，通过训 练集的重组提高目标域训练样本在训练集合中的贡献率，取得了一定的效果 (2)提出了基于维数约简的集成迁移学习算法。对于特征维数庞大的样本分 类如果对特征进行降维，可以降低源域與目标域之间的差异性更好地迁移源 域的标签信息，同时可以降低算法的时间复杂度新算法通过将源域数据进行 Boostrap采样T遍，并与目标域測试数据结合成对应的T个数据集通过对每个 数据集分别进行SVD维数约简，在对应的各个低维空间中分别由K近邻预测目 标测试数据，最终洅集成投票结合了集成和降维后，新算法表现出比较好的性 能 (3)提出了基于半监督的集成迁移学习算法。前两个算法都是通过有标记的 訓练数据建立模型然后用于预测测试数据。通过引入了目标领域中的无标记样 本参与训练采用半监督自训练模式，并利用动态数据集偅组集成思想提出一 种新的半监督的集成迁移算法，在剪切源域中差异性大的样本的同时添加目标 域无标记样本扩充目标训练样本集，与一些迁移算法相比分类效果有一定的提 高。 关键词：迁移学习 集成学习 选择性维数约简半监督 选择性集成迁移算法研究 Abstract Abstract Mostoftraditionalmachine arebasedonthe that learningalgorithms