基于決策樹分類器的遷移學(xué)習(xí)研究.pdf

1、在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中,訓(xùn)練集與測(cè)試集通常來(lái)自于同一分布。但是遷移學(xué)習(xí)所研究的問(wèn)題是如何將源域樣本集遷移到不同分布的目標(biāo)領(lǐng)域,并輔助訓(xùn)練目標(biāo)域模型,從而提高模型的訓(xùn)練效果。近年來(lái),遷移學(xué)習(xí)逐漸成為了研究熱點(diǎn),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(wù)中,決策樹分類算法的相關(guān)研究卻很少。針對(duì)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(wù)中的改進(jìn)。
　　本文將遷移成分分析法與CART算法相結(jié)合設(shè)計(jì)了TC

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