迁移学习旨在将知识从一个标签丰富的领域转移到另一个相似但不同的、标签有限或无标签的领域。不幸的是，现有的基于学习的方法通常需要大量的模型选择和超参数调整才能获得良好的结果。此外，由于目标领域往往没有标签，因此无法进行超参数调优的交叉验证。这会限制迁移学习在计算资源受限设备（如可穿戴设备）上的广泛应用。本文提出了一种实用的简易迁移学习（EasyTL）方法，该方法无需模型选择和超参数调整，同时能够实现具有竞争力的性能。通过利用域内结构，EasyTL 能够学习非参数化的迁移特征和分类器。大量实验表明，与最先进的传统和深度方法相比，EasyTL 满足奥卡姆剃刀原则：它极其易于实现和使用，同时在分类准确率上达到相当或更好的性能，并且计算效率显著提高。此外，研究还显示 EasyTL 可以提升现有迁移特征学习方法的性能。