领域自适应（domain adaption），工学-信息与通信工程-模式识别-统计模式识别-领域自适应，利用一个设定中已经学到的内容去改善另一个设定中的泛化情况。是有效提高其在测试数据上的性能的方法。在模式识别领域中，分类器的领域自适应是一个常见问题，它产生于测试数据与训练数据的分布不同的情形。例如，将用印刷体文字训练得到的识别器直接用于手写体文字的识别时，两种样本分布之间存在差异会导致性能下降，通过将原分类器针对新的样本进行自适应，可以有效地提高其在测试数据上的性能。领域自适应与多任务学习和迁移学习等多个机器学习问题密切相关。在领域自适应中，通常称训练数据构成的领域为源域，测试数据构成的领域为目标域。常见的分类器自适应手段主要有以下几类：基于样本重加权的方法、基于半监督学习的方法、基于统一表示的方法、基于贝叶斯的方法、基于多任务学习的方法和基于集成学习的方法等。其中前3类方法最常用。①基于样本重加权的方法。