论文部分内容阅读
传统的机器学习方法是在训练数据和测试数据分布一致的前提下进行的,但在一些现实世界中的应用中,训练数据和测试数据是来自不同领域的。在不考虑数据分布的情况下,传统的机器学习算法可能会失效。针对这一问题,提出一种基于模糊C-均值(FCM)的文本迁移学习算法。通过简单分类器对测试样本分类,利用自然邻算法构建样本初始模糊隶属度,再利用FCM算法通过迭代更新样本模糊隶属度,修正样本标签,对样本孤立点进行处理,得到最终的分类结果。实验结果表明,该算法具有较好的正确率,有效地解决了在训练数据和测试数据分布不一致的情