多源轉移學習與多面向適性提升法的一般化

• Main Authors: Carlos Ernesto Zavala Lopez, 卡羅斯
• Other Authors: Soo, Von-Wun
• Format: Others
• Language: en_US
• Published: 2013
• Online Access: http://ndltd.ncl.edu.tw/handle/58083317824701370925

碩士 === 國立清華大學 === 資訊系統與應用研究所 === 101 === 目前的趨勢有幾個時下在機器學習，其中之一由該領域的研究已經研究和改進的是遷移學習。遷移學習的能力，建立和訓練一個分類源數據能夠描述目標任務中的數據組成。這一原則進行了一些困難，如缺乏標記的數據或大型數據。因此，已開發的幾種方法，如學習，有助於利用稀缺的數據一起Adaboost的多源，多視角轉移。然而，這種方法並不能一概而論成為一個真正的多視角模式，並進一步研究這方面的建議。本論文旨在概括的最新方法，重新定義一些概念有關的錯誤率的樣本和觀察使用的J在結果的看法。因此，開發一種新的模式，G-MsTr-MvAdaboost。結果表明，該算法能夠提高Adaboost算法的性能，以及用較少的屬性，並表明意見的數量增加的錯誤率減少。模型的結果數和每觀點比較觀察。