基于樣本差異的多標簽遷移學習.pdf

1、多標簽學習是機器學習的重要組成部分，在現(xiàn)實生活中有很多應用。分類器評價標準是衡量分類器好壞的重要指標。常用的多標簽分類器評價標準有Hamming loss、One-error、Coverage、Ranking loss和Average precision。多標簽分類器對測試樣本進行分類預測的時候并未給出分類結果的評價標準。通常需要標記測試樣本才能夠得出標價標準值，然而標記測試樣本有時候代價昂貴。那么是否可以不標記測試樣本就能得出多標簽評

2、價標準值呢？本文圍繞這一問題，分別從樣本分布差異和樣本實例間差異對多標簽評價標準進行估計。從實驗結果可以看出，訓練樣本和測試樣本的分布差異和多標簽評價標準都具有良好的線性關系；訓練樣本和測試樣本的實例間差異和多標簽評價標準也都具有良好的線性關系；針對不同的評價標準，相關性程度也不同。分析這兩種方法的特點，之后結合樣本分布差異和樣本實例間差異對多標簽評價標準值進行線性擬合估計。實驗表明，這三種多標簽評價標準估計方法具有良好的效果。遷移學習

3、是機器學習的研究熱點，在實際生活中的應用越來越廣泛。負遷移現(xiàn)象是遷移學習中不可避免的話題。遷移學習的效果取決于源域樣本和目標域樣本的相似性。當源域樣本和目標域樣本的相似性較小時，遷移學習的效果可能不好，甚至會發(fā)生負遷移現(xiàn)象；反之，則發(fā)生正遷移。本文從樣本分布差異和樣本實例間差異考察源域和目標域的相似性，然后考察遷移學習的效果。實驗表明，當源域樣本集和目標域樣本集的分布差異較小時，易發(fā)生正遷移；否則，易發(fā)生負遷移；當源域樣本實例和目標域樣