有没有一种方法可以用决策树/随机森林进行迁移学习？
有没有一种方法可以用决策树/随机森林进行迁移学习？
提问于 2021-05-11 15:53:07
有没有一种方法可以用决策树或随机森林模型进行迁移学习？具体地说，我想知道在Python语言中是否有一种好的简单的方法来实现这一点，使用Scikit-learn训练的模型。
我所能想到的就是在原始数据集上训练一个随机森林，当新数据到达时，训练新的树并将其添加到您的模型中。然而，我想知道这是不是一个好的方法，是否有其他更好的方法。
回答 1
Stack Overflow用户
发布于 2021-05-12 21:27:30
有可能，但不切实际。
迁移学习的目的是为深度学习(DL)模型赋予初始权重，并加快学习过程。您可以发现，给定一个相同的DL模型，当应用于类似的应用程序时，所有生成的DL模型都具有相对的值范围，尽管不是完全显着，但比权重的随机化甚至稀疏更好。
机器学习(ML)模型具有浅层体系结构，您可以简单地使用随机化的权重来训练测试模型。
如果你坚持做迁移学习，你可以使用你所引用的前一个模型的权重，但确保你有相同的输入-输出数据，并相应地配置你的模型。你会注意到你找不到ML的迁移学习更简单的地方，因为它是不实用的。最好从头开始学习。
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/67482597
复制相关文章
相似问题
腾讯云开发者
