基于Logistic回归分析的直推式迁移学习
- 出版年：2010
- 作者：胡学钢；方玉成；张玉红
- 单位1：合肥工业大学计算机与信息学院
- 出生年：1961
- 学历：博士
- 职称：教授
- 语种：中文
- 作者关键词：机器学习；Logistic回归分析；直推式迁移学习；分类
- 起始页：1797
- 总页数：6
- 经费资助：国家自然科学基金资助项目（60975034）；安徽省自然科学基金资助项目（090412044）和合肥工业大学科学研究发展基金资助项目（2010HGXJ0013）
- 刊名：合肥工业大学学报（自然科学版）
- 是否内版：否
- 刊频：月刊
- 创刊时间：1956
- 主管单位：中华人民共和国教育部
- 主办单位：合肥工业大学
- 主编：何晓雄
- 地址：合肥市屯溪路193号
- 邮编：230009
- 电子信箱：hefe@chinajournal.net.cn；XBZK@hfut.edu.cn
- 卷：33
- 期：12
- 期刊索取号：P806.6 223
- 数据库收录：美国《化学文摘》(CA)收录；美国《数学评论》(MR)收录；俄罗斯《文摘杂志》(AJ)收录；德国《数学文摘》(Zbl MATH)收录；美国《剑桥科学文摘》(CSA)收录；中国科技论文统计源期刊（中国科技核心期刊）来源期刊；中国科学引文数据库(CSCD)来源期刊；中国科技论文与引文数据库(CSTPCD)来源期刊；中国期刊全文数据库(CJFD)来源期刊；中国学术期刊综合评价数据库(CAJCED)来源期刊；中文科技期刊数据库来源期刊；中国知网（CNKI)全文收录；万方数据——数字化期刊群全文收录；维普信息资源系
摘要
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。