摘要：传统机器学习和数据挖掘算法主要基于两个假设：训练数据集和测试数据集具有相同的特征空间和数据分布．然而在实际应用中，这两个假设却难以成立，从而导致传统的算法不再适用．迁移学习作为一种新的学习框架能有效地解决该问题．着眼于迁移学习的一个重要分支——归纳迁移学习，提出了一种基于最大熵模型的加权归纳迁移学习算法WTLME．该算法通过将已训练好的原始领域模型参数迁移到目标领域，并对目标领域实例权重进行调整，从而获得了精度较高的目标领域模型．实验结果表明了该算法的有效性．

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）