1、遷移學(xué)習(xí)是解決數(shù)據(jù)跨領(lǐng)域問題的一種有效方式，它從過期數(shù)據(jù)中學(xué)習(xí)知識來幫助認(rèn)知新任務(wù)，由于其打破了傳統(tǒng)機器學(xué)習(xí)“獨立同分布”的假設(shè)，被成功應(yīng)用于很多領(lǐng)域。集成學(xué)習(xí)通過組建多個有差異的分類器建立預(yù)測模型，由于其突出的穩(wěn)定性和泛化性，成為機器學(xué)習(xí)研究的熱點之一。
　　本文以新聞文本分類為背景，對遷移學(xué)習(xí)和集成 Bagging算法進行了研究，并得出一種改進的組合算法，為在少量目標(biāo)訓(xùn)練集的情況下進行分類提供了一種適用的框架。首先闡述了集成學(xué)

2、習(xí)的概念、發(fā)展現(xiàn)狀，遷移學(xué)習(xí)的概念、對比分類、應(yīng)用領(lǐng)域。之后，對新聞文本數(shù)據(jù)集的預(yù)處理過程進行詳細的描述，討論確認(rèn)了參數(shù)和特征選擇算法，使預(yù)測分類模型的訓(xùn)練數(shù)據(jù)輸入更精準(zhǔn)合適。
　　最后，本文針對目標(biāo)域的訓(xùn)練樣本數(shù)量較少，無法建立優(yōu)質(zhì)分類模型的問題，探討了一種在遷移框架下基于集成Bagging算法的跨領(lǐng)域分類模型。該模型引入源域的數(shù)據(jù)并對其進行篩選，學(xué)習(xí)混合數(shù)據(jù)集，從而建立基于集成Bagging算法的分類模型，最終投票得出預(yù)測結(jié)果

3、。通過仿真實驗的對比，采用基于貝葉斯基分類器的集成Bagging算法能使源域的遷移和目標(biāo)域的分類準(zhǔn)確率、泛化性能最好。同時，本文分析了源域中的噪音數(shù)據(jù)的數(shù)量對分類模型的影響，實驗結(jié)果表明基于遷移集成Bagging算法的模型可以部分地規(guī)避負遷移。
　　綜上所述，本文針對不同的特征選擇算法，研究了文本預(yù)處理過程中特征選擇算法的差異。針對國內(nèi)搜索引擎中很少能找到完整的英文預(yù)處理流程，本文改進了中文文本處理程序，整理出一套完整的圖形化的英