10.16208/j.issn1000-7024.2015.07.025
基于选择迁移的baggi ng文本分类算法
针对目标域训练样本数量较少无法建立优质分类模型的问题,提出一种在迁移框架下基于集成bagging算法的跨领域分类方法。引入源域的数据并对其进行筛选,对混合数据集进行学习,建立基于集成bagging算法的分类模型,投票得出预测结果。仿真对比结果表明,采用基于贝叶斯个体分类器的集成bagging算法能够优化源域的迁移,提升目标域的分类准确率及泛化性能。分析源域的噪音数据数量,其结果表明,该算法可以部分规避负迁移。
文本分类、选择、迁移学习、集成bagging算法、负迁移
TP391(计算技术、计算机技术)
2015-08-28(万方平台首次上网日期,不代表论文的发表时间)
共5页
1808-1812