如何解决相同领域但不同分布的回归中的迁移学习
我目前正在开展一个 KDD 项目，旨在用非常小的真实世界数据构建一个预测器。 目标是预测产品实例的数量 Y，同时了解该实例的其他数量。 有对相似（不相同）产品进行训练的预测器（相同任务）。这些模型对其用例有效。
我的方法是使用其他产品的大型数据集（相似的领域、相似的任务但不同的分布），并使用迁移学习使这些数据适应目标领域。
在这一品脱下，我无法找到适合我需求的方法/算法。 查看决策树 1 应该是一个域适应问题。
什么算法或模型适合这种用例？
解决方法
可以试试Deep Domain Adaptation Regression的方法，如ICML 2021发表的论文“Representation Subspace Distance for Domain Adaptation Regression”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.
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
