[发明专利]一种基于决策树局部相似性的多源在线迁移学习方法

权利要求书

1.一种基于决策树局部相似性的多源在线迁移学习方法，其特征在于，所述学习方法包括以下步骤：

步骤1.在每个源领域数据上分别训练决策树，并将其存储于决策树缓存池，在目标领域数据上建立一棵仅包含一个根节点的空的目标领域决策树V_t；

步骤2.获取一个目标领域样本x_t，根据目标领域决策树V_t对目标领域样本x_t的分类路径，获取其在目标领域决策树V_t中的叶子节点，从目标领域样本x_t所在的叶子节点中获取其k个近邻样本，根据目标领域样本x_t及其k个近邻样本从源领域中选取局部相似度最高的源领域决策树；

步骤3.将选取的局部相似度最高的源领域决策树与目标领域决策树V_t加权后，对目标领域样本x_t进行分类；

步骤4.当获得目标领域样本x_t的类别后，根据分类损失分别调节源领域决策树V_s和目标领域决策树V_t对应的权重；

步骤5.利用目标领域样本x_t及其类别y_t更新目标领域决策树V_t；

步骤6.返回步骤2，获取下一个目标领域样本x_t+1，直到完成对目标领域中所有样本的分类。

2.根据权利要求1所述的一种基于决策树局部相似性的多源在线迁移学习方法，其特征在于，若步骤2中获取一个目标领域样本x_t为第一个样本，则源领域决策树缓存池中的第一个源领域决策树为与目标领域决策树V_t相似度最高的源领域决策树。

3.根据权利要求1所述的一种基于决策树局部相似性的多源在线迁移学习方法，其特征在于，使用决策树的路径相似性测度从源领域中选取局部相似度最高的源领域决策树。

4.根据权利要求3所述的一种基于决策树局部相似性的多源在线迁移学习方法，其特征在于，源领域决策树和目标领域决策树的局部相似度通过以下方式获得：

其中，LA_j表示局部相似度，x_i表示目标领域样本x_t的k个近邻样本，y_i表示x_i的真实类别，P_j(y_l|x_i)表示第j个源领域决策树输出的x_i具有类别y_l的概率，I(x)为指示函数，σ和ζ为预先设置的参数，dis(x_i,x_t,σ)表示x_i和目标领域样本x_t之间的距离，表示在第j个源领域决策树中x_i和目标领域样本x_t的分类路径相似度。

5.根据权利要求3所述的一种基于决策树局部相似性的多源在线迁移学习方法，其特征在于，所述的第j个源领域决策树中x_i和目标领域样本x_t的分类路径相似度通过以下方式获得：

其中，len(r(x_t))表示目标领域样本x_t在第j个源领域决策树中被分类的路径长度，n(r(x_t)＝＝r(x_i))表示在第j个源领域决策树中x_i和目标领域样本x_t的分类路径的共同分支数量。