首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >相似领域不同版本回归中的迁移学习

问相似领域不同版本回归中的迁移学习
EN

Stack Overflow用户
提问于 2021-01-27 23:17:58
回答 1查看 38关注 0票数 0

我目前正在做一个KDD项目,旨在用非常小的真实世界数据构建一个预测器。我们的目标是预测一个Product实例的数量Y,同时知道这个实例的其他数量。有在相似(不相同)产品上训练的预测者(相同的任务)。这些模型对于它们的用例是有效的。

我的方法是使用其他产品的大型数据集(类似的领域,相似的任务,但不同的分布),并使用转移学习使其适应目标领域。

在这种情况下,我很难找到适合我需要的方法/算法。看看决策树1,它应该是一个域自适应问题。

哪种算法或模型适用于这种用例?

EN

回答 1

Stack Overflow用户

发布于 2021-07-06 08:13:17

您可以尝试深域自适应回归方法,如ICML 2021上发表的论文“域自适应回归的表示子空间距离”所示。使用标记的源域和未标记的目标域来学习在目标域上表现良好的模型。

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/65922056

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档