文件名称：基于小样本SVR的迁移学习及其应用.pdf
文件大小：454KB
文件格式：PDF
更新时间：2022-12-15 15:47:08
迁移学习
当前机器学习的技术已经运用到很多工程项目中，但大部分机器学习的算法只有在样本数量充足且 运用在单一场景中的时候，才能获得良好的结果。其中，经典的支持向量回归机是一种具有良好泛化能力的 回归算法。但若当前场景的样本数量较少时，则得到的回归模型泛化能力较差。针对此问题，本文以加权ε 支持向量回归机为基础，提出了小样本数据的迁移学习支持向量回归机算法。本文算法以加权ε支持向量回 归机为Bagging 算法的基学习器，使用与目标任务相关联的源域数据，通过自助采样生成多个子回归模型， 采用简单平均法合成一个总回归模型。在UCI 数据集和现实数据集——玉米棒与花生粒储藏环节损失数据集 上的实验结果表明本文方法较标准ε-SVR 算法与改进的RMTL 算法在小数据样本上有更好的泛化能力。