迁移学习---TrAdaBoost算法介绍

1. 为什么要TrAdaBoost

传统的机器学习，有一个假设: 训练集和测试集分布相同。而事实上，在许多情况下，这种单一分布假设不成立。如果来了一批新的数据（new data），分布与之前的训练的旧数据（old data）不一样，那么我们的算法的准确率就会下降很多。但是使用新数据，完全抛弃旧数据，有两个问题。第一，新数据可能量不够；第二，旧数据可能还有利用价值，完全抛弃太浪费。所以才有了迁移学习，从旧数据从提取信息，用于新的模型训练。
TrAdaBoost算法，是一种从old data中提取实例的方法，即将一部分能用的old labeled data，结合new labeled data（可能是少量），构建出比单纯使用new labeled data训练更精确的模型。

2. TrAdaBoost算法

以测试数据空间为基准，new data有一样数据分布空间，记为X_s，old data是不一样的分布空间，记为X_d。假设是二分类问题，labels是Y={0，1}。整个训练数据空间是

所以我们就是要找到X->Y的映射函数c。

测试数据集（无标签）： 训练数据集： 其中训练集T可以分为来自不同分布的数据T_d和相同分布的数据T_s， 所以全部的训练数据：

有n个数据来自X_d空间，有m个数据来自X_s空间。

整体算法如下： 第一步：归一化每个数据的权重，使其成为一个分布。 第二步：调用弱分类器。将T_d和T_s的数据整体作为训练数据，过程和AdaBoost训练弱分类器一样。这一步也是我们的old data对模型起作用的地方。 第三步：计算错误率。注意，这边只计算T_s中提取的数据，也就是new data。old data在这边不进入计算。而且计算错误率的时候需要将T_s中的提取数据权重重新归一化。 第四步：分别计算T_s和T_d权重调整的速率。注意，每一次迭代，T_s的权重调整速率都不一样，而T_d中的数据，是一样的。Beta_t在AdaBoosting中，相当于每一个弱分类器的话语权有多大，Beta_t越大，该弱分类器话语权越小。 第五步：更新数据权重。T_s中的数据，如果分类错误，则提高权重值，与传统AdaBoost算法一致。T_d中的数据，则相反，如果分类错误，则降低权重值，这是因为分类错误的就认为这部分old data与new data差距太大。 输出。以后半数弱分类器（N/2~N）的投票为准。

参考文献：
[1]W. Dai, Q. Yang, G. Xue, and Y. Yu, “Boosting for Transfer Learning,” Proc. 24th Int’l Conf. Machine Learning, pp. 193-200, June 2007.