【问题标题】：Is there a method to do transfer learning with decision trees/random forest?有没有一种方法可以用决策树/随机森林进行迁移学习？
【发布时间】：2021-08-01 13:47:33
【问题描述】：
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，我想知道在 Python 中是否有一种简单易用的方法，使用Scikit-learn 训练的模型。
我能想到的就是在原始数据集上训练一个随机森林，当新数据到达时，训练新树并将它们添加到您的模型中。但是，我想知道这是否是一个好方法，是否还有其他更好的方法。
【问题讨论】：
标签：
python
scikit-learn
random-forest
decision-tree
【解决方案1】：
可能但不实用。
迁移学习的目的是为深度学习 (DL) 模型赋予初始权重并加快学习过程。您会发现，给定一个相同的 DL 模型，当应用于计算机视觉等类似应用时，所有生成的 DL 模型都有相对的取值范围，虽然并不完全显着，但优于权重随机化甚至稀疏。
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测试模型。
如果您坚持进行迁移学习，您可以使用您所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 ML 的迁移学习并且更容易，因为它不实用。最好从头开始学习。