部门网站管理建设工作汇报,龙华在深圳算什么档次,电子商务网站建设与课程设计,网站搭建多少钱关于
传统迁移成分分析#xff0c;区别于深度迁移学习#xff0c;是一种常规的对特征数据进行对齐的一种技术。
广泛应用于#xff0c;两个域#xff08;源域#xff0c;目标域#xff09;数据特征分布不一致#xff0c;需要实现目标域数据分析任务中。
文章参考区别于深度迁移学习是一种常规的对特征数据进行对齐的一种技术。
广泛应用于两个域源域目标域数据特征分布不一致需要实现目标域数据分析任务中。
文章参考https://home.cse.ust.hk/~jamesk/papers/ijcai09.pdf
工具
Python
方法实现
通过循环遍历TCA隐藏空间维度和超参数来获得基于TCA方法的源域到目标域的迁移技术。
主要函数和流程
import pandas as pd
import numpy as np
from sklearn.svm import SVC
from TCA import TCA# source domain training data
Xs_y pd.read_csv(Xs_y.csv)
Xs np.array(Xs_y.iloc[:,:-1])
ys np.array(Xs_y.iloc[:,-1])
# target domain training data
Xt_y pd.read_csv(Xt_y.csv)
Xt np.array(Xt_y.iloc[:,:-1])
yt np.array(Xt_y.iloc[:,-1])
# test data
test pd.read_csv(Xtest.csv)
Xtest np.array(test.iloc[:,:-1])
ytest np.array(test.iloc[:,-1])reg SVC()def acc(y_pre, y):right abs(y_pre - y).sum()/2return (len(y_pre) - right)/len(y_pre)
################################################################
# case one
# training on target domina data (Xt_y.csv) and test on testing dataset (Xtest.csv)
pre_label reg.fit(Xt, yt,).predict(Xtest)
rate acc(pre_label,ytest)
print(Without transfer, we have acc rate %f % rate )# case two
# training on mapped space (4-d) with source (Xs_y.csv) and target domina data (Xt_y.csv), test on testing dataset (Xtest.csv)
acc_list [rate]
numbers np.linspace(0.01, 1, 10)
for j in range(len(numbers)):model TCA(dim1, lamdanumbers[j], gamma0.5)Train_X np.vstack((Xs,Xt))Xs_new, Xt_new model.fit(Train_X,Xtest)Train_y np.hstack((ys,yt))transfer_pre_label reg.fit(Xs_new, Train_y).predict(Xt_new)transfer_rate acc(transfer_pre_label,ytest)acc_list.append(transfer_rate)print(lamda {}.format(numbers[j]))print(With transfer, we have acc rate %f % transfer_rate ,\n)# plot the result
import matplotlib.pyplot as plt
from matplotlib.ticker import MaxNLocatorfig, ax plt.subplots()
x numbersplt.plot(x, acc_list[1:],markero,linestyle-, colorblue,labelTCA transfer with different lamda)
ax.axhline(yacc_list[0], colorgreen, linestyle--, labelwithout TCA transfer)
#ax.xaxis.set_major_locator(MaxNLocator(integerTrue))plt.xlabel(lamda)
plt.ylabel(classification accuracy on test data)ax.legend()
plt.savefig(iteration number.png,bbox_inches tight,dpi600)
plt.savefig(iteration number.svg,bbox_inches tight,dpi600)
plt.show() 使用TCA技术前后两个域特征的分布情况比较 通过循环遍历可以发现在TCA超参数lambda为0.17时候迁移的目标域分类准确率最高。 代码获取
私信后台
相关域适应问题欢迎讨论交流。
