inductive+instance TL， TrAdaBoost， MultiSourceTrAdaBoost

TrAdaBoost

https://www.jianshu.com/p/8ed0703db2c7

其中涉及的知识

boosting

https://blog.csdn.net/starter_____/article/details/79328749

Adaboost

https://www.cnblogs.com/ScorpioLu/p/8295990.html

1. AdaBoost改变了训练数据的权值，也就是样本的概率分布，其思想是将关注点放在被错误分类的样本上，减小上一轮被正确分类的样本权值，提高那些被错误分类的样本权值。然后，再根据所采用的一些基本机器学习算法进行学习，比如逻辑回归。（也就是每个训练样本有权重，在下次训练的时候权重大的容易被挑选出来训练。权重的设定和之前训练的正确度有关，训练时预测错误的样本会被设置成更大的权重，这样在之后的训练中再次选出他来训练；之前训练预测正确的样本就会设置小的权重，这样之后就不太容易挑选他，因为我们认为分类器已经可以把它分类的很好。）

2. AdaBoost采用加权多数表决的方法，加大分类误差率小的弱分类器的权重，减小分类误差率大的弱分类器的权重。这个很好理解，正确率高分得好的弱分类器在强分类器中当然应该有较大的发言权

TrAdaBoost和Adaboost的区别

Adaboost的样本来源是同一个域
TrAdaBoost的样本来源两个域，更新的时候两个域的权重更新方式不同。对于new data域，当样本预测错误的时候，它的权重会变大，和AdaBoost算法一样；对于old data域，当样本预测错误的时候，他的权重会变小，因为此时认为这个old data和new data的分布相差太远，并不是related的。

MultiSourceTrAdaBoost

1. 训练的时候样本权重的更新与之前的tradaboost和adaboost一样
2. 其中弱分类器有N个，分别是T域和N个中的一个S域一起训练得到
3. 通过计算分类error来判断选择哪个分类器作为目标分类器的更新的选择