14、地理加权回归树的学习与跨时间迁移

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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值