我在分类问题上向您寻求帮助（类别由数字 0,1 和 2 表示）。所有特征都是从时间序列数据中提取的（基本是窦形）。
我有一个包含不遵循高斯分布的特征的源数据集：
我可以用更少的努力训练具有高精度的分类器。但是：我的验证数据（目标域）的特征分布也不是高斯分布，但与训练分类器的分布不同。
例如，我们比较源域和目标域中类 0 的相同特征的分布：
对于分类模型，我使用了几种不同类型的模型，它们不假设特征是高斯分布的（Trees、KnearestN、...），我还尝试了一个神经网络（具有 3 个隐藏密集层的 MLP）。
我的问题是什么
我面临的问题是相同的：在源数据上训练的模型（约 98% 有效。acc）在目标数据上失败，空精度如（约 30%）。为了验证问题不仅是由特征集（上面显示的一些特征）引起的，我尝试了一种神经网络方法。如果我在原始时间序列数据上训练神经网络，我会遇到同样的问题，训练/测试还可以，但在未见实例上的性能仅与空精度有关。我目前试图解决的问题
- 使用例如分位数和 box-cox 变换将特征转换为类似高斯的分布 -> 问题是，由于模型不收敛，我无法在转换后的数据上拟合一个性能良好的分类器
- 不同的最优传输策略将源分布转换为目标形状，并使用转换后的源数据训练监督模型，然后对目标数据进行评估。会计。也在零精度范围内
- 域适应模型使用损失函数的非参数距离度量，如 MMD（最大平均差异）和 CORAL（相关对齐）。问题是，在源精度下降之前，我只能将目标精度提高到 ~50%