有没有一种方法可以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。
我所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，训练新的树并将其添加到模型中。然而，我想知道这是否是一个好方法，是否还有其他更好的方法。
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。你可以发现，给定一个相同的DL模型，当应用于类似的应用程序(如计算机视觉(时，所有生成的DL模型都具有相对的值范围，尽管不完全显著，但比权重随机化甚至稀疏更好。
机器学习(ML(模型具有较浅的架构，您可以简单地使用权重的随机化来训练测试模型。
如果你坚持要进行迁移学习，你可以使用你所参考的前一个模型的权重，但要确保你有相同的输入输出数据，并相应地配置你的模型。你会注意到，你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。
如果你想使用迁移学习来适应一个小的目标数据集，并且不关心训练时间，那么可以使用一种方法。您可以使用全部或部分原始数据，然后在中添加所有目标数据。此外，你可以增加目标数据，以确保模型"更适合"它。我用轻GBM做过这件事，它运行得很好，所以理论上，它在随机森林中也应该运行得很不错。
此外，我发现这篇论文更详细地探讨了诺姆·塞格夫的《使用决策森林的迁移学习》这一主题。
在这项工作中，我们提出了三种基于随机森林的传输算法。我们的两种算法使用可用的目标集来细化在源集上学习的分类器，而最后一种算法在树归纳过程中直接使用这两个集。