基于Logistic回歸的直推式遷移學(xué)習(xí)方法研究.pdf

1、傳統(tǒng)的數(shù)據(jù)挖掘方法假設(shè)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)服從相同的數(shù)據(jù)分布。然而，在許多情況下，這種同分布假設(shè)并不能得到滿足。當(dāng)分布發(fā)生變化時(shí)，傳統(tǒng)的數(shù)據(jù)挖掘方法必須從頭開始，需要用戶重新收集大量的訓(xùn)練數(shù)據(jù)。在許多現(xiàn)實(shí)世界的應(yīng)用中，重新收集所需的訓(xùn)練數(shù)據(jù)和再次訓(xùn)練模型的代價(jià)是昂貴的，同時(shí)丟棄所有原始領(lǐng)域中的訓(xùn)練數(shù)據(jù)完全不用也是一種資源的浪費(fèi)。在這種情況下，遷移學(xué)習(xí)就變得非常重要了，因?yàn)檫w移學(xué)習(xí)可以從現(xiàn)有的數(shù)據(jù)中遷移知識(shí)，來幫助將來的學(xué)習(xí)。
　　

2、 遷移學(xué)習(xí)是指一個(gè)系統(tǒng)認(rèn)識(shí)和運(yùn)用先前任務(wù)中所學(xué)到的知識(shí)或技能來學(xué)習(xí)新任務(wù)的能力。遷移學(xué)習(xí)的研究出于這樣一個(gè)指導(dǎo)信息：人類可以利用先前所學(xué)到的知識(shí)來更好更快地解決新的問題。因此，遷移學(xué)習(xí)不會(huì)像傳統(tǒng)的數(shù)據(jù)挖掘方法那樣作同分布的假設(shè)。本文中主要針對(duì)遷移學(xué)習(xí)開展了以下工作的研究：
　　 (1)概述了遷移學(xué)習(xí)的背景知識(shí)、基本概念、研究現(xiàn)狀以及應(yīng)用領(lǐng)域，將遷移學(xué)習(xí)的現(xiàn)有方法總結(jié)為四種類型，并詳細(xì)地分析了各種方法的具體實(shí)現(xiàn)以及當(dāng)前的應(yīng)用；

3、r>　　 (2)為了使遷移學(xué)習(xí)能夠完全沒有標(biāo)記數(shù)據(jù)的目標(biāo)領(lǐng)域，本文提出了基于Logistic回歸的直推式遷移學(xué)習(xí)方法(TTLR)，使得分類器在訓(xùn)練樣本和測(cè)試樣本分布不同的情況下能夠適應(yīng)于目標(biāo)領(lǐng)域。實(shí)驗(yàn)表明，與傳統(tǒng)的監(jiān)督式分類算法相比，該方法是有效的，并且能夠取得更好的分類效果。
　　 (3)為了能同時(shí)處理多個(gè)不同的分布，本文給出了基于Logistic回歸的多領(lǐng)域直推式遷移學(xué)習(xí)方法(MTTLR)，來解決同一時(shí)間多領(lǐng)域的知識(shí)遷移問