第31节：迁移学习概念

1.迁移学习的概念与定义

迁移学习（Transfer Learning）是机器学习领域的一个重要分支

它指的是将一个领域（称为源领域）已经学习到的知识或模式，应用到另一个不同但相关的领域（称为目标领域）中的过程。

这种方法的核心思想是通过利用已有知识来提升在新任务上的学习效率和性能，而不是每次都从零开始学习。

迁移学习的正式定义

在学术文献中，迁移学习通常被定义为：给定一个源领域Ds和源任务Ts，以及一个目标领域Dt和目标任务Tt，迁移学习的目标是通过利用Ds和Ts中的知识来帮助提升Dt中Tt的学习效果，其中Ds≠Dt，或者Ts≠Tt。这里，领域D由特征空间X和边缘概率分布P(X)组成，任务T由标签空间Y和预测函数f(·)组成。

与传统机器学习的区别

与传统机器学习方法相比，迁移学习具有几个显著特点：

1. 知识重用：传统方法针对每个新任务都从零开始训练，而迁移学