近年來，遷移學(xué)習(xí)得到越來越多的關(guān)注，現(xiàn)有的在線遷移學(xué)習(xí)算法一般從單個源領(lǐng)域遷移知識。然而，當(dāng)源領(lǐng)域與目標(biāo)領(lǐng)域相似度較低時，很難進(jìn)行有效的遷移學(xué)習(xí)．基于此，提出了一種基于局部分類精度的多源在線遷移學(xué)習(xí)方法-LC-MSOTL.LC-MSOTL存儲多個源領(lǐng)域分類器。計(jì)算新到樣本與目標(biāo)領(lǐng)域已有樣本之間的距離以及各源領(lǐng)域分類器對其最近鄰樣本的分類精度，從源領(lǐng)域分類器中挑選局部精度最高的分類器與目標(biāo)領(lǐng)域分類器加權(quán)組合。從而實(shí)現(xiàn)多個源領(lǐng)域知識到目標(biāo)領(lǐng)域的遷移學(xué)習(xí)．在人工數(shù)據(jù)集和實(shí)際數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明。LC-MSOTL能夠有效地從多個源領(lǐng)域?qū)崿F(xiàn)選擇性遷移。相對于單源在線遷移學(xué)習(xí)算法OTL。顯示出了更高的分類準(zhǔn)確率。
?