CN109409533A - 一种机器学习模型的生成方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种机器学习模型的生成方法、装置、设备及存储介质，所述方法包括：获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；将所述目标展示信息提供给所述用户。本发明实施例的技术方案能够使机器学习建模流程更加通用化和自动化。

Description

一种机器学习模型的生成方法、装置、设备及存储介质

技术领域

本发明实施例涉及机器学习技术领域，尤其涉及一种机器学习模型的生成方法、装置、设备及存储介质。

背景技术

机器学习是计算机科学和人工智能中非常重要的一个研究领域，开发机器学习模型是一个耗时、专家驱动的工作流程，这个流程包括数据准备、特征选择、模型或技术选择、训练以及调优等。

现有的机器学习领域中开源的自动化机器学习建模工具，如Tpot，Auto-sklearn等，通过调用其打包好的内置函数可以简化建模流程，自动搜索超参，达到自动化或半自动化建模的目的。

发明人在实现本发明的过程中，发现现有技术存在如下缺陷：

现有的机器学习建模工具还不够成熟，并不是对任何人均适用。使用现有的机器学习建模工具需要一定的机器学习使用基础和相关经验，这在一定程度上限制了机器学习工具的使用范围。此外，现有的机器学习建模工具支持的算法以传统算法为主，如决策树或GBDT(Gradient Boosting Decision Tree，基于决策树的分类回归)等算法。但目前业界常用且效果好的算法均不支持，如xgboost、lgbm或catboost等算法，这也在一定程度上限制了机器学习建模工具的广泛使用。

发明内容

本发明实施例提供一种机器学习模型的生成方法、装置、设备及存储介质，以使机器学习建模流程更加通用化和自动化。

第一方面，本发明实施例提供了一种机器学习模型的生成方法，包括：

获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；

根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；

根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；

将所述目标展示信息提供给所述用户。

第二方面，本发明实施例还提供了一种机器学习模型的生成装置，包括：

模型关联参数获取模块，用于获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；

机器学习模型生成模块，用于根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；

目标展示信息生成模块，用于根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；

目标展示信息提供模块，用于将所述目标展示信息提供给所述用户。

第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的机器学习模型的生成方法。

第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的机器学习模型的生成方法。

本发明实施例通过获取用户通过人机交互界面输入的模型关联参数，根据模型关联参数中包括的模型生成数据以及展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型，并根据生成的机器学习模型生成与展示信息类型匹配的目标展示信息以提供给用户，实现在用户不接触代码的情况下自动生成所需的机器学习模型，并根据用户需求为其提供可视化的信息展示功能，解决现有机器学习建模工具存在的通用性较低的问题，提高机器学习建模工具的通用化和自动化性能。

附图说明

图1是本发明实施例一提供的一种机器学习模型的生成方法的流程图；

图2a是本发明实施例二提供的一种机器学习模型的生成方法的流程图；

图2b是本发明实施例二提供的一种机器学习模型的生成方法的流程图；

图2c是本发明实施例二提供的一种机器学习模型的生成方法的流程图；

图2d是本发明实施例二提供的一种机器学习模型生成工具的人机交互界面示意图；

图2e是本发明实施例二提供的一种模型报告文件的示意图；

图3是本发明实施例三提供的一种机器学习模型的生成装置的示意图；

图4为本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1是本发明实施例一提供的一种机器学习模型的生成方法的流程图，本实施例可适用于自动生成机器学习模型及匹配的目标展示信息的情况，该方法可以由机器学习模型的生成装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在计算机设备中。相应的，如图1所示，该方法包括如下操作：

S110、获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型。

其中，模型关联参数可以是用于生成机器学习模型的相关参数，例如模型生成数据和模型生成算法等。模型生成数据可以是用户指定的，用于生成机器学习模型的数据源，包括训练数据和测试数据。展示信息类型可以是供用户选择的，用于展示相关功能几种类型。例如，展示信息类型可以包括重要特征、指标参数和模型报告文件等。

在本发明实施例中，用户在使用机器学习模型生成工具建模时，可以通过机器学习模型生成工具提供的可视化人机交互界面输入用于生成机器学习模型的模型生成数据，并在人机交互界面选择具体的展示信息类型，以使机器学习模型生成工具可以根据用户所提供的模型生成数据以及展示信息类型自动生成对应的机器学习模型。

在本发明的一个可选实施例中，获取用户通过人机交互界面输入的模型生成数据，可以包括：

获取所述用户通过所述人机交互界面上传的模型生成数据；或

获取所述用户通过所述人机交互界面在数据存储列表中选择的模型生成数据。

在本发明实施例中，模型生成数据可以是用户通过人机交互界面上传的相应文件数据，也可以是用户通过人机交互界面在数据存储列表中指定的预存在服务器中的相关数据，本发明实施例并不对模型生成数据的获取方式进行限定。

S120、根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型。

其中，模型生成算法可以是用于生成机器学习模型的相关算法，如catboost、xgboost或lgbm等。

相应的，当用户通过人机交互界面指定模型生成数据及展示信息类型后，机器学习模型生成工具即可生成与至少一个模型生成算法匹配的至少一个机器学习模型。其中，模型生成算法可以由用户指定，也可以由机器学习模型生成工具随机指定，本发明实施例对此并不进行限制。

S130、根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息。

其中，目标展示信息可以是机器学习模型生成工具根据用户选择的展示信息类型所提供的展示数据，例如筛选模型生成算法的重要数据特征，显示模型生成算法的算法效果以及获取机器学习模型对应的模型报告文件等。目标展示信息可以根据展示信息类型生成，任何可以通过机器学习模型生成工具扩展的展示信息均可以作为目标展示信息，本发明实施例并不对目标展示信息的内容进行限定。

在本发明实施例中，机器学习模型生成工具生成机器学习模型后，可以根据用户通过人机交互界面选择的展示信息类型生成匹配的目标展示信息。

在本发明的一个可选实施例中，在根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学***衡数据中的至少一项。

在本发明实施例中，可选的，在机器学***衡数据等。对模型生成数据进行预处理操作可以使用户指定的数据更加符合建模要求。

S140、将所述目标展示信息提供给所述用户。

相应的，机器学习模型生成工具生成与展示信息类型生成匹配的目标展示信息后，即可将目标展示信息提供给用户使用或参考。

在本发明实施例中，用户只需在人机交互界面中需要相应的数据源并指定相应的模型生成算法即可利用机器学习模型生成工具自动生成相应的机器学习模型，全程无需用户输入任何代码，任何人均可以利用机器学习模型生成工具来自动建模，由此可见，本发明实施例所提供的机器学习模型的生成方法通用性和自动化性能更强。

本发明实施例通过获取用户通过人机交互界面输入的模型关联参数，根据模型关联参数中包括的模型生成数据以及展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型，并根据生成的机器学习模型生成与展示信息类型匹配的目标展示信息以提供给用户，实现在用户不接触代码的情况下自动生成所需的机器学习模型，并根据用户需求为其提供可视化的信息展示功能，解决现有机器学习建模工具存在的通用性较低的问题，提高机器学习建模工具的通用化和自动化性能。

实施例二

图2a是本发明实施例二提供的一种机器学习模型的生成方法的流程图，图2b是本发明实施例二提供的一种机器学习模型的生成方法的流程图，图2c是本发明实施例二提供的一种机器学习模型的生成方法的流程图，本实施例以上述实施例为基础进行具体化，在本实施例中，给出了根据其他类型的模型关联参数生成与至少一个模型生成算法匹配的至少一个机器学习模型，并根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息的具体实现方式。

相应的，如图2a所示，当模型关联参数包括模型生成数据、模型生成算法以及与所述模型生成算法匹配的机器学习模型文件和模型报告文件时，本实施例的方法可以包括：

S210a、获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据、模型生成算法以及与所述模型生成算法匹配的机器学习模型文件和模型报告文件。

在本发明实施例中，可选的，模型关联参数可以包括模型生成数据、模型生成算法以及与模型生成算法匹配的机器学习模型文件和模型报告文件。也即，用户可以通过人机交互界面指定模型生成数据，选择生成机器学习模型的算法，并指定展示信息类型为与模型生成算法匹配的机器学习模型文件和模型报告文件。

S220a、将所述模型生成数据划分为模型训练子数据以及模型测试子数据。

其中，模型训练子数据可以是用于生成机器模型的训练数据(即训练集)，模型测试子数据可以是用于生成机器模型的测试数据(即测试集)。

相应的，用户通过人机交互界面指定模型生成数据和模型生成算法，并指定展示信息类型为与模型生成算法匹配的机器学习模型文件和模型报告文件后，机器学习模型生成工具需要对模型生成数据进行处理以生成对应的模型训练子数据以及模型测试子数据。其中，模型测试子数据用于对机器学习模型生成的标签进行验证。

S230a、根据所述模型训练子数据以及所述模型测试子数据，采用贝叶斯优化算法在有限次尝试次数下对所述模型生成算法中包括的至少一项超参数进行参数调整。

在本发明实施例中，可选的，对确定的模型训练子数据以及模型测试子数据可以采用贝叶斯优化算法及用户选择的模型生成算法进行详细调参。贝叶斯优化算法可以在在有限尝试次数中，搜索超参的概率分布，最终得到合理的参数来建模，与传统方法相比，能够节省大量的时间和计算资源。

S240a、根据所述模型生成数据以及调整后的所述超参数，生成与所述模型生成算法匹配的机器学习模型。

相应的，调参操作完成后，机器学习模型生成工具可以运算模型生成算法，以生成与模型生成算法匹配的机器学习模型。

S250a、根据生成的所述机器学习模型，生成与所述模型生成算法匹配的机器学习模型文件和模型报告文件提供给用户。

在本发明实施例中，可选的，机器学习模型生成工具还可以生成与模型生成算法匹配的详细的模型报告文件，并将机器学习模型文件和模型报告文件提供给用户。

相应的，如图2b所示，当模型关联参数包括模型生成数据、模型生成算法以及与所述模型生成算法匹配的预设数据特征时，本实施例的方法可以包括：

S210b、获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据、模型生成算法以及与所述模型生成算法匹配的预设数据特征。

其中，预设数据特征可以是模型生成算法的重要数据特征。

在本发明实施例中，可选的，模型关联参数还可以包括模型生成数据、模型生成算法以及与模型生成算法匹配的预设数据特征。也即，用户可以通过人机交互界面指定模型生成数据，选择生成机器学习模型的算法，并指定展示信息类型为与模型生成算法匹配的预设数据特征。

S220b、将所述模型生成数据划分为模型训练子数据以及模型测试子数据。

同理，用户通过人机交互界面指定模型生成数据和模型生成算法，并指定展示信息类型为与模型生成算法匹配的预设数据特征后，机器学习模型生成工具需要对模型生成数据进行处理以生成对应的模型训练子数据以及模型测试子数据。

S230b、根据与所述模型生成算法对应的预设超参数，以及所述模型生成数据，生成与所述模型生成算法对应的机器学习模型。

其中，预设超参数可以是模型生成算法默认的超参数。

在本发明实施例中，如果用户仅想通过机器学习模型生成工具查看相关模型生成算法的在运行过程中的重要数据特征，则可以在人机交互界面指定展示信息类型为与模型生成算法匹配的预设数据特征。在查看模型生成算法运行过程中的数据特征时，无需采用优化算法进行调参，可以对确定的模型训练子数据以及模型测试子数据采用用户选择的模型生成算法按照默认的超参数运行，以生成与模型生成算法对应的机器学习模型。

S240b、将所述模型生成数据按照设定排序规则进行排序。

其中，设定排序规则可以是预设的，用于对模型生成数据排序的规则。例如，设定排序规则可以是按数据中字段的重要程度排序，本发明实施例并不对设定排序规则的具体形式进行限定。

相应的，为了对用户提供重要数据特征，可以将模型生成数据按照设定排序规则进行排序。

S250b、根据生成的所述机器学习模型以及排序结果生成所述模型生成算法匹配的至少一个预设数据特征值。

在本发明实施例中，在模型生成算法运行过程中可以按照设定排序规则输出最重要的几个预设数据特征和对应特征值(如数据特征的重要程度分值等)，以供用户参考筛选特征。

相应的，如图2c所示，当模型关联参数包括模型生成数据、至少两个模型生成算法以及各所述模型生成算法的性能对比时，本实施例的方法可以包括：

S210c、获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据、至少两个模型生成算法以及各所述模型生成算法的性能对比。

在本发明实施例中，可选的，模型关联参数还可以包括模型生成数据、至少两个模型生成算法以及各模型生成算法的性能对比。也即，用户可以通过人机交互界面指定模型生成数据，选择至少两个生成机器学习模型的算法，并指定展示信息类型为各模型生成算法的性能对比。

S220c、将所述模型生成数据划分为模型训练子数据以及模型测试子数据。

同理，用户通过人机交互界面指定模型生成数据和至少两个模型生成算法，并指定展示信息类型为各模型生成算法的性能对比后，机器学习模型生成工具需要对模型生成数据进行处理以生成对应的模型训练子数据以及模型测试子数据。

S230c、根据与各所述模型生成算法分别对应的预设超参数，以及所述模型生成数据，生成与各所述模型生成算法分别对应的机器学习模型。

在本发明实施例中，如果用户仅想通过机器学习模型生成工具对比相关模型生成算法的性能，则可以在人机交互界面指定展示信息类型为各模型生成算法的性能对比。同理，在机器学习模型生成工具快速运行各模型生成算法时，无需采用优化算法进行调参，可以对确定的模型训练子数据以及模型测试子数据采用用户选择的模型生成算法按照默认的超参数运行，以生成与各模型生成算法对应的机器学习模型。

S240c、根据生成的所述机器学习模型，生成与各所述模型生成算法对应的模型评价指标。

相应的，为了对用户选择的至少两个模型生成算法进行性能对比，可以生成各模型生成算法对应的模型评价指标，以供用户参考选择相应的模型生成算法。

在本发明的一个可选实施例中，将所述模型生成数据划分为模型测试子数据，可以包括：

将所述用户在所述模型生成数据中指定的目标数据作为所述模型测试子数据，或

将所述模型生成数据中设定比例的目标数据作为所述模型测试子数据生成。

其中，设定比例可以是机器学习模型生成工具预先设定的比例，例如20％或30％等，具体可以依据实际需求进行设定，本发明实施例并不对设定比例的具体数值进行限定。

在本发明实施例中，可选的，在确定测试集时，如果用户通过人机交互界面指定了测试集数据，则可以直接将用户指定的目标数据作为模型测试子数据。如果用户没有指定测试集数据，则机器学习模型生成工具可以将模型训练子数据的部分目标数据作为模型测试子数据。例如，以模型训练子数据中20％的数据作为模型测试子数据。

需要说明的是，在本发明实施例中，模型报告文件是一份详细的报告，可以同时包括算法的重要数据特征和算法的模型评价指标等内容。

另外需要说明的是，图2a、图2b和图2c仅是一种实现方式的示意图，S210a-S250a、S210b-S250b和S210c-S250c之间并没有先后顺序关系，三者分别对应用户选择不同的展示信息类型时所执行的操作，三者可以择一实施。

图2d是本发明实施例二提供的一种机器学习模型生成工具的人机交互界面示意图，图2e是本发明实施例二提供的一种模型报告文件的示意图。在一个具体的例子中，如图2d所示，机器学习模型生成工具的人机交互界面中可以为用户提供可选的运行模式(STEP1：CHOOSE RUN MODE部分)，也即展示信息类型，用户可以通过运行模式中的各个展示信息类型进行选择，以使机器学习模型生成工具提供对应的服务。其中，ImportantFeature可以是展示预设数据特征，Fast Compare可以是展示各模型生成算法的性能对比，Detail Report(Slow)可以是展示与模型生成算法匹配的机器学习模型文件和模型报告文件。图2d中STEP2：INPUT Y NAME部分为用户输入的标签名字，即预期的机器学习模型对应输出的标签。人机交互界面还可以为用户提供可选的模型生成算法，如图2d中的STEP3：CHOOSE ALGORITHM(JUST POR DETALL MODE)部分，包括Random Forest、Catboost、Xgboost或Logistic Regression等，还可以根据实际需求为用户提供其他的模型生成算法选项。STEP4：CHOOSE DATA部分即为用户提供的指定模型生成数据功能。用户可以通过FromDatabase选择数据存储列表将预存在服务器中的数据作为模型生成数据，也可以通过FromUpload上传本地文件作为模型生成数据。当用户完成所有步骤后，即可点击“Click Me”按钮，此时机器学习模型生成工具可以自动运行，并根据用户选择的展示信息类型生成对应的机器学习模型和目标展示信息。具体的，如果用户需要完整的模型报告文件，则可以在人机交互界面中选择Detail Report，其生成的模型报告文件中可以同时包括预设数据特征、算法的模型评价指标以及其他相关内容。如果用户仅需要查看算法的重要特征，则可以在人机交互界面中选择Important Feature，此时生成的目标展示信息仅包括按照字段重要程度排名的特征信息。如果用户需要对比几种算法的性能指标，则可以选择Fast Compare，此时生成的目标展示信息仅包括几种模型生成算法的相应模型评价指标。需要说明的是，图2d仅是一种示意图，可以在图2d的基础上根据实际需求对人机交互界面进行进一步的功能扩展，本发明实施例对此并不进行限制。

示例性的，模型报告文件的部分数据内容可参考图2e，其中，Index即为算法的模型评价指标，Sample Info表示样本信息，是对样本数量的一些统计内容，Dev表示模型训练子数据对应的各模型评价指标和样本统计对应的数值，Val和Off表示模型测试子数据对应的各模型评价指标和样本统计对应的数值。All Variables可以是模型生成算法运行过程中涉及到的全部数据特征，Importance Top 50则可以是按照各数据特征的重要程度显示的前50个数据特征以及对应的数据特征值，也即特征的重要程度分值。需要说明的是，图2e仅是一种示意图，模型报告文件的排版格式以及显示的内容信息可以根据实际需求进行设定，本发明实施例对此并不进行限制。

采用上述技术方案，可以实现在用户不接触代码的情况下自动生成所需的机器学习模型，并根据用户需求为其提供可视化的信息展示功能，解决现有机器学习建模工具存在的通用性较低的问题，提高机器学习建模工具的通用化和自动化性能。

实施例三

图3是本发明实施例三提供的一种机器学习模型的生成装置的示意图，如图3所示，所述装置包括：模型关联参数获取模块310、机器学习模型生成模块320、目标展示信息生成模块330以及目标展示信息提供模块340，其中：

模型关联参数获取模块310，用于获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；

机器学习模型生成模块320，用于根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；

目标展示信息生成模块330，用于根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；

目标展示信息提供模块340，用于将所述目标展示信息提供给所述用户。

本发明实施例通过获取用户通过人机交互界面输入的模型关联参数，根据模型关联参数中包括的模型生成数据以及展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型，并根据生成的机器学习模型生成与展示信息类型匹配的目标展示信息以提供给用户，实现在用户不接触代码的情况下自动生成所需的机器学习模型，并根据用户需求为其提供可视化的信息展示功能，解决现有机器学习建模工具存在的通用性较低的问题，提高机器学习建模工具的通用化和自动化性能。

可选的，所述模型关联参数还包括：模型生成算法；所述展示信息类型包括：与所述模型生成算法匹配的机器学习模型文件和模型报告文件；机器学习模型生成模块320，具体用于将所述模型生成数据划分为模型训练子数据以及模型测试子数据；根据所述模型训练子数据以及所述模型测试子数据，采用贝叶斯优化算法在有限次尝试次数下对所述模型生成算法中包括的至少一项超参数进行参数调整；根据所述模型生成数据以及调整后的所述超参数，生成与所述模型生成算法匹配的机器学习模型。

可选的，所述模型关联参数还包括：模型生成算法；所述展示信息类型包括：与所述模型生成算法匹配的预设数据特征；机器学习模型生成模块320，具体用于将所述模型生成数据划分为模型训练子数据以及模型测试子数据；根据与所述模型生成算法对应的预设超参数，以及所述模型生成数据，生成与所述模型生成算法对应的机器学习模型；目标展示信息生成模块330，具体用于将所述模型生成数据按照设定排序规则进行排序；根据生成的所述机器学习模型以及排序结果生成所述模型生成算法匹配的至少一个预设数据特征值。

可选的，所述模型关联参数还包括：至少两个模型生成算法；所述展示信息类型包括：各所述模型生成算法的性能对比；机器学习模型生成模块320，具体用于将所述模型生成数据划分为模型训练子数据以及模型测试子数据；根据与各所述模型生成算法分别对应的预设超参数，以及所述模型生成数据，生成与各所述模型生成算法分别对应的机器学习模型；目标展示信息生成模块330，具体用于根据生成的所述机器学习模型，生成与各所述模型生成算法对应的模型评价指标。

可选的，模型关联参数获取模块310，用于获取所述用户通过所述人机交互界面上传的模型生成数据；或

获取所述用户通过所述人机交互界面在数据存储列表中选择的模型生成数据。

可选的，机器学习模型生成模块320，还用于将所述用户在所述模型生成数据中指定的目标数据作为所述模型测试子数据，或

将所述模型生成数据中设定比例的目标数据作为所述模型测试子数据生成。

可选的，所述装置还包括：数据预处理模块，用于对所述模型生成数据进行预处理操作以使所述模型生成数据满足模型生成需求，其中，所述预处理操作包括处理数据缺失值、处理字符型字段以及处理不平衡数据中的至少一项。

上述机器学习模型的生成装置可执行本发明任意实施例所提供的机器学习模型的生成方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的机器学习模型的生成方法。

实施例四

图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同***组件(包括存储装置428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及***组件互连(Peripheral Component Interconnect，PCI)总线。

计算机设备412典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置428可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块426的程序436，可以存储在例如存储装置428中，这样的程序模块426包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块426通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、摄像头、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)***、磁带驱动器以及数据备份存储***等。

处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的机器学习模型的生成方法。

也即，所述处理单元执行所述程序时实现：获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；将所述目标展示信息提供给所述用户。

实施例五

本发明实施例五还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的机器学习模型的生成方法：获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；将所述目标展示信息提供给所述用户。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器((Erasable Programmable ReadOnly Memory，EPROM)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种机器学习模型的生成方法，其特征在于，包括：

获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；

根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；

根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；

将所述目标展示信息提供给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述模型关联参数还包括：模型生成算法；所述展示信息类型包括：与所述模型生成算法匹配的机器学习模型文件和模型报告文件；

根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型，包括：

将所述模型生成数据划分为模型训练子数据以及模型测试子数据；

根据所述模型训练子数据以及所述模型测试子数据，采用贝叶斯优化算法在有限次尝试次数下对所述模型生成算法中包括的至少一项超参数进行参数调整；

根据所述模型生成数据以及调整后的所述超参数，生成与所述模型生成算法匹配的机器学习模型。

3.根据权利要求1所述的方法，其特征在于，所述模型关联参数还包括：模型生成算法；所述展示信息类型包括：与所述模型生成算法匹配的预设数据特征；

根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型，包括：

将所述模型生成数据划分为模型训练子数据以及模型测试子数据；

根据与所述模型生成算法对应的预设超参数，以及所述模型生成数据，生成与所述模型生成算法对应的机器学习模型；

根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息，包括：

将所述模型生成数据按照设定排序规则进行排序；

根据生成的所述机器学习模型以及排序结果生成所述模型生成算法匹配的至少一个预设数据特征值。

4.根据权利要求1所述的方法，其特征在于，所述模型关联参数还包括：至少两个模型生成算法；所述展示信息类型包括：各所述模型生成算法的性能对比；

根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型，包括：

将所述模型生成数据划分为模型训练子数据以及模型测试子数据；

根据与各所述模型生成算法分别对应的预设超参数，以及所述模型生成数据，生成与各所述模型生成算法分别对应的机器学习模型；

根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息，包括：

根据生成的所述机器学习模型，生成与各所述模型生成算法对应的模型评价指标。

5.根据权利要求1-4任一项所述的方法，其特征在于，获取用户通过人机交互界面输入的模型生成数据，包括：

获取所述用户通过所述人机交互界面上传的模型生成数据；或

获取所述用户通过所述人机交互界面在数据存储列表中选择的模型生成数据。

6.根据权利要求2-4任一所述的方法，其特征在于，将所述模型生成数据划分为模型测试子数据，包括：

将所述用户在所述模型生成数据中指定的目标数据作为所述模型测试子数据，或

将所述模型生成数据中设定比例的目标数据作为所述模型测试子数据生成。

7.根据权利要求1所述的方法，其特征在于，在根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型之前，还包括：

对所述模型生成数据进行预处理操作以使所述模型生成数据满足模型生成需求，其中，所述预处理操作包括处理数据缺失值、处理字符型字段以及处理不平衡数据中的至少一项。

8.一种机器学习模型的生成装置，其特征在于，包括：

模型关联参数获取模块，用于获取用户通过人机交互界面输入的模型关联参数，所述模型关联参数包括：模型生成数据以及展示信息类型；

机器学习模型生成模块，用于根据所述模型生成数据以及所述展示信息类型，生成与至少一个模型生成算法匹配的至少一个机器学习模型；

目标展示信息生成模块，用于根据生成的所述机器学习模型，生成与所述展示信息类型匹配的目标展示信息；

目标展示信息提供模块，用于将所述目标展示信息提供给所述用户。

9.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的机器学习模型的生成方法。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的机器学习模型的生成方法。