合肥工业大学学报（自然科学版）
閤肥工業大學學報（自然科學版）
합비공업대학학보（자연과학판）
JOURNAL OF HEFEI UNIVERSITY OF TECHNOLOGY(NATURAL SCIENCE)
2010年
12期
1797-1801,1810
,共6页
机器学习%Logistic 回归分析%直推式迁移学习%分类
機器學習%Logistic 迴歸分析%直推式遷移學習%分類
궤기학습%Logistic 회귀분석%직추식천이학습%분류
传统的机器学习方法基于一个基本的假设:训练数据和测试数据遵循相同的分布.然而,在许多现实的应用中,这种假设并不能够被保证.在这种情况下,传统的机器学习方法因没有意识到分布的改变而可能失败.近年来,迁移学习技术被专门用来解决这一缺陷.文章提出了一种叫做TTLR的方法,将原始领域中的训练数据有效地迁移到目标领域中,该方法首先对Logistic回归分析模型进行扩展,然后利用不同领域概率分布之间的差异性,调节训练数据中每个实例的权重,从而使得训练得到的分类器更加适应于目标领域;在所选取的数据集上得到的实验结果表明,与传统的监督式学习方法相比,所提出的方法有很大的优势.
傳統的機器學習方法基于一箇基本的假設:訓練數據和測試數據遵循相同的分佈.然而,在許多現實的應用中,這種假設併不能夠被保證.在這種情況下,傳統的機器學習方法因沒有意識到分佈的改變而可能失敗.近年來,遷移學習技術被專門用來解決這一缺陷.文章提齣瞭一種叫做TTLR的方法,將原始領域中的訓練數據有效地遷移到目標領域中,該方法首先對Logistic迴歸分析模型進行擴展,然後利用不同領域概率分佈之間的差異性,調節訓練數據中每箇實例的權重,從而使得訓練得到的分類器更加適應于目標領域;在所選取的數據集上得到的實驗結果錶明,與傳統的鑑督式學習方法相比,所提齣的方法有很大的優勢.
전통적궤기학습방법기우일개기본적가설:훈련수거화측시수거준순상동적분포.연이,재허다현실적응용중,저충가설병불능구피보증.재저충정황하,전통적궤기학습방법인몰유의식도분포적개변이가능실패.근년래,천이학습기술피전문용래해결저일결함.문장제출료일충규주TTLR적방법,장원시영역중적훈련수거유효지천이도목표영역중,해방법수선대Logistic회귀분석모형진행확전,연후이용불동영역개솔분포지간적차이성,조절훈련수거중매개실례적권중,종이사득훈련득도적분류기경가괄응우목표영역;재소선취적수거집상득도적실험결과표명,여전통적감독식학습방법상비,소제출적방법유흔대적우세.
