有没有一种方法可以用决策树/随机森林进行迁移学习？

Question

有没有办法使用决策树或随机森林模型进行迁移学习？具体来说，我想知道是否有一种好的、简单的方法可以在 Python 中使用Scikit-learn训练的模型来实现这一点。

我能想到的就是在原始数据集上训练随机森林，当新数据到达时，训练新树并将它们添加到模型中。不过，我想知道这是否是一个好的方法，是否还有其他更好的方法。

Answer 1

可能但不切实际。

迁移学习的目的是为深度学习（DL）模型赋予初始权重并加速学习过程。您可以发现，给定一个相同的深度学习模型，当应用于计算机视觉等类似应用时，所有生成的深度学习模型都具有相对的值范围，尽管不完全显着，但优于权重随机化甚至稀疏化。

机器学习 (ML) 模型具有浅层架构，您可以简单地使用权重随机化来训练和测试模型。

如果您坚持进行迁移学习，您可以使用您引用的先前模型的权重，但请确保您具有相同的输入输出数据并相应地配置您的模型。您会注意到，您无法在任何地方找到更容易的 ML 迁移学习，因为它不实用。最好从头开始学习。