基于分布特征遷移加權算法
大?。?/span>0.89 MB 人氣： 2018-01-09 需要積分：1
標簽：加權算法(1927)
傳統(tǒng)機器學習面臨一個難題，即當訓練數(shù)據(jù)與測試數(shù)據(jù)不再服從相同分布時，由訓練集得到的分類器無法對測試集文本準確分類。針對該問題，根據(jù)遷移學習原理，在源領域和目標領域的交集特征中，依據(jù)改進的特征分布相似度進行特征加權；在非交集特征中，引入語義近似度和新提出的逆文本類別指數(shù)（ TF-ICF），對特征在源領域內進行加權計算，充分利用大量已標記的源領域數(shù)據(jù)和少量已標記的目標領域數(shù)據(jù)獲得所需特征，以便快速構建分類器。在文本數(shù)據(jù)集20 Newsgroups和非文本數(shù)據(jù)集UCI中的實驗結果表明，基于分布和逆文本類別指數(shù)的特征遷移加權算法能夠在保證精度的前提下對特征快速遷移并加權。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%