信息与电脑(理论版)

2020, v.32;No.451(09) 54-56

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于决策树局部相似性的多源在线迁移学习
Multi-source Online Transfer Learning for Decision Tree

陆小霞;秦一休;

摘要(Abstract):

近年来,在线学习算法得到了快速发展,VFDT算法在在线学习领域得到了广泛关注。VFDT算法需要满足Hoeffding边界才有可能进行分裂,这就导致在不满足Hoeffding边界时VFDT的分类性能较差。迁移学习在近年来得到飞速发展,本文尝试使用迁移学习算法弥补VFDT算法的不足。本文首先在VFDT的节点中存储少量样本,且随着VFDT的更新将这些样本传递到叶节点当中。本文基于VFDT提出一种单源在线迁移学习算法——DOTL。实验结果表明,将样本传递到叶节点能有效提高VFDT分类准确率,单源在线迁移学习算法DOTL能有效地从单个源领域迁移知识,与VFDT对比具有较高的准确率。

关键词(KeyWords): 在线学习;单源迁移;多源在线迁移学习

Abstract:

Keywords:

基金项目(Foundation):

作者(Author): 陆小霞;秦一休;

Email:

DOI:

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享