基于小样本 SVR 的迁移学习及其应用

来源：计算机技术与发展杂志2020年第02期北京时间：

作者：易未;郑沫利;赵艳轲;毛力;孙俊

摘要：当前机器学习的技术已经运用到很多工程项目中,但大部分机器学习的算法只有在样本数量充足且运用在单一 场景中的时候,才能获得良好的结果。 其中,经典的支持向量回归机是一种具有良好泛化能力的回归算法。 但若当前场 景的样本数量较少时,则得到的回归模型泛化能力较差。 针对此问题,以加权 着 支持向量回归机为基础,提出了一种小样 本数据的迁移学习支持向量回归机算法。 该算法以加权ε支持向量回归机为Bagging算法的基学习器,使用与目标任务 相关联的源域数据,通过自助采样生成多个子回归模型,采用简单平均法合成一个总回归模型。 在UCI数据集和现实数 据集——玉米棒与花生粒储藏环节损失数据集上的实验结果表明,该算法较标准 ε-SVR算法与改进的RMTL算法在小 数据样本上有更好的泛化能力。

关键词：支持向量回归机;迁移学习;加权ε支持向量回归机;Bagging;小样本数据