地理加权回归树的学习与跨时间迁移
1. 地理加权回归树迁移
在空间回归关系中,设 $\tau$ 为空间回归关系,$f_{q - w}, f_{q - w + 1}, \cdots, f_q$ 是在源时间点 $t_{q - w}, t_{q - w + 1}, \cdots, t_q$ 为任务学习的一系列 $w$ 个函数(这里是地理加权回归树),$D_{q + 1}$ 是任务的目标域,对应时间点 $t_{q + 1}$。时间点 $t_{q + 1}$ 收集的数据的未知响应值可由未知的目标预测函数 $f_{q + 1}$ 预测。目标是通过将源树迁移到目标时间 $t_{q + 1}$ 的一组标记关键观测值上,来获得 $f_{q + 1}$ 的定义。用 $K_{q + 1}$ 表示 $t_{q + 1}$ 中标记的目标键集,$T_{q + 1}$ 表示未标记的非关键观测集。
计算一个新的数据集 $K’$,它为 $K_{q + 1}$ 中的每个关键观测包含一个元组。$K’$ 的属性表示 $f_{q - w}, f_{q - w + 1}, \cdots, f_q$ 为 $K$ 中每个关键观测预测的响应、空间维度坐标 $U$ 和 $V$ 以及为该关键观测收集的真实响应值。$K’$ 现在用作新回归任务 $\tau’(Y, Y_{q - w}, Y_{q - w + 1}, \cdots, Y_q, U, V)$ 的训练数据集,该任务旨在学习目标预测函数 $f_{q + 1}$。
通过迁移学习过程学习 $f_{q + 1}$ 有两种替代解决方案:
- 经典逐步最小二乘回归(LSR)方法 :使用准确性来确定迁移的突出变量(过去树的响应),并输出这些变