基于分布特征遷移加權(quán)算法
大小：0.89 MB 人氣： 2018-01-09 需要積分：1
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(quán)；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(nèi)進行加權(quán)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(gòu)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(jié)果表明，基于分布和逆文本類別指數(shù)的特征遷移加權(quán)算法能夠在保證精度的前提下對特征快速遷移并加權(quán)。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%