[发明专利]一种基于决策树局部相似性的多源在线迁移学习方法

摘要

本发明提供一种基于决策树局部相似性的多源在线迁移学习方法，包括：步骤1.在每个源领域数据上分别训练决策树，并将其存储于决策树缓存池，在目标领域数据上建立一棵仅包含一个根节点的空的目标领域决策树；步骤2.根据目标领域样本及其k个近邻样本从源领域中选取局部相似度最高的源领域决策树；步骤3.对目标领域样本进行分类；步骤4.根据分类损失分别调节源领域决策树和目标领域决策树对应的权重；步骤5.利用目标领域样本及其类别更新目标领域决策树；步骤6.返回步骤2，获取下一个目标领域样本，直到完成对目标领域中所有样本的分类。本发明用源领域与目标领域局部相似性的指标，能在源领域与目标领域相似度不高的情形下实施有效的迁移学习。

主权项

1.一种基于决策树局部相似性的多源在线迁移学习方法，其特征在于，所述学习方法包括以下步骤：步骤1.在每个源领域数据上分别训练决策树，并将其存储于决策树缓存池，在目标领域数据上建立一棵仅包含一个根节点的空的目标领域决策树Vt；步骤2.获取一个目标领域样本xt，根据目标领域决策树Vt对目标领域样本xt的分类路径，获取其在目标领域决策树Vt中的叶子节点，从目标领域样本xt所在的叶子节点中获取其k个近邻样本，根据目标领域样本xt及其k个近邻样本从源领域中选取局部相似度最高的源领域决策树；步骤3.将选取的局部相似度最高的源领域决策树与目标领域决策树Vt加权后，对目标领域样本xt进行分类；步骤4.当获得目标领域样本xt的类别后，根据分类损失分别调节源领域决策树Vs和目标领域决策树Vt对应的权重；步骤5.利用目标领域样本xt及其类别yt更新目标领域决策树Vt；步骤6.返回步骤2，获取下一个目标领域样本xt+1，直到完成对目标领域中所有样本的分类。