《表4 20Newsgroups数据集实验准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于相似度的神经网络多源迁移学习算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

利用3.1节设置的两类数据集做实验对MTL-SNN算法进行分析与验证。分别计算各个算法下的分类准确率，表3为Letter-recognition数据集在各个算法下的实验准确率Accuracy，表4为20Newsgroups文本数据集在各个算法下的实验准确率Accuracy。为了方便结果的展示，表3以及表4中加粗的字体是实验中分类效果最好的。观察表3以及表4，实验结果表明在两类数据集中，本文提出的多源迁移学习算法MTL-SNN不仅比传统的BP神经网络分类准确率高，而且比两种传统的多源迁移算法Multi SourceTrAdaBoost以及TransferBoost都要高。传统的BP神经网络算法没有引入迁移学习，因此在对小样本数据进行分类时其准确率要比其他三种迁移学习算法低。MultiSourceTrAdaBoost以及TransferBoost算法都是通过不断迭代各个源领域的样本权重来训练出一个适合目标域的分类器，没有利用各个源领域与目标域之间的相似度，使得目标领域不能更好地学习到各个源领域的参数信息。