基于实例的迁移学习算法研究
【摘要】：传统的机器学习中当分布发生变换时，大部分的机器学习方法不具备自适应能力，需要重新学习，要求用户收集更多的训练数据。在现实的应用中，重新收集训练数据、重新训练学习机代价很大，非常有必要减少这些环节，迁移学习的研究就成为一种必然。迁移学习可以应用相关领域的数据，将相关领域的有用知识”迁移”到目标领域中，用以解决在目标领域的学习任务．而迁移学习的关键是如何选取相关数据以帮助目标领域的学习。本文提出一种基于聚类集成的迁移学习算法，通过从源数据中寻找能够帮助目标数据学习的实例以帮助目标领域的学习，并且针对基于聚类集成迁移学习目标数据较少，容易过度拟合的缺陷，提出了基于半监督的聚类集成迁移学习算法以改进该缺陷。最后对两个算法在20个新闻组数据集上进行了实验，证明这两个算法能有效提高目标数据的学习效率。【关键词】：迁移学习聚类集成半监督
【学位授予单位】：山西财经大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP181
【目录】：摘要6-7ABSTRACT7-101.绪论10-151.1研究背景及意义10-111.2国内外研究现状11-131.2.1迁移学习研究现状11-121.2.2半监督学习的研究现状12-131.3论文的主要研究工作13-141.4论文的组织结构14-152.迁移学习与半监督学习的基本理
论15-222.1迁移学习的基本理论15-182.1.1迁移学习的概念152.1.2迁移学习的研究内容15-172.1.3迁移学习的类型17-182.1.4迁移学习的应用182.2半监督学习的基本理论18-212.2.1半监督学习的概念18-192.2.2基本算法19-202.2.3半监督学习算法选择20-212.2.4半监督学习的研究趋势212.3迁移学习与半监督学习的关系21本章小结21-223.基于聚类集成的迁移学习算法22-403.1聚类与集成技术概述22-253.1.1聚类技术概述22-243.1.2集成技术概述24-253.2基于聚类集成的迁移学习25-283.2.1算法的基本思想25-263.2.2算法描述及分析26-283.3实验分析28-393.3.1数据集描述28-303.3.2数据集处理30-363.3.3评价指标363.3.4实验结果分析36-39本章小结39-404.与半监督结合的迁移学习算法40-484.1基于半监督的聚类集成迁移学习算法40-434.1.1算法的基本思想40-414.1.2算法的描述及分析41-434.2实验分析43-474.2.1实验数据集434.2.2评价指标43-444.2.3实验结果分析44-47本章小结47-48总结与展望48-49参考文献49-54致谢54-55攻读硕士学位期间发表的论文55-56 本论文购买请联系页眉网站。
