CN114444608B - 数据集质量评估方法及装置、电子设备及存储介质 - Google Patents
数据集质量评估方法及装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114444608B CN114444608B CN202210118130.XA CN202210118130A CN114444608B CN 114444608 B CN114444608 B CN 114444608B CN 202210118130 A CN202210118130 A CN 202210118130A CN 114444608 B CN114444608 B CN 114444608B
- Authority
- CN
- China
- Prior art keywords
- data set
- evaluated
- model
- quality evaluation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001303 quality assessment method Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012550 audit Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
- Complex Calculations (AREA)
Abstract
本公开提供了一种数据集质量评估方法及装置、电子设备及存储介质,涉及数据处理技术领域。该方法包括:将待评估数据集输入至预先训练好的基线模型,计算基线模型在待评估数据集上的模型准确率;判断模型准确率是否大于预设阈值;若是,则根据基线模型的输出结果,对待评估数据集进行分类,并根据分类结果确定待评估数据集的质量评估结果,其中,预设质量评估指标包括:对待评估数据集进行质量评估的一个或多个指标;若否,则根据模型准确率和基线模型的泛化能力参数确定待评估数据集的质量评估结果。本公开由于对模型准确率进行判断并区别计算,提高了数据集质量评估的准确性和完备性。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种数据集质量评估方法及装置、电子设备及存储介质。
背景技术
深度学***台。其中大数据是当前人工智能发展的基础,在分类问题的监督学习领域,大数据体现为带分类标签的训练数据集。训练数据集的质量直接影响预测模型的性能。
数据集质量评估需要考虑完整性、准确性、均衡性等因素,还应考虑数据集对满足应用场景的需求,即对应用场景的描述完备性,具体表现为:训练好的深度学习模型在实验室环境下能够取得很好的目标识别效果,但是在实际应用环境下目标识别效果却很差。其中,对准确性和描述完备性的评估最为困难。
目前现有技术中,数据集质量的准确性评估需要大量人工审核,而且准确性评估依赖人工主观判断,正确率难以保证;数据集质量的完备性评估缺乏针对特定应用场景描述的完备性测定方法,即评估数据集供算法模型训练后,该模型满足应用场景的需求的情况。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种数据集质量评估方法及装置、电子设备及存储介质,至少在一定程度上克服相关技术中数据集质量由于人工审核缺乏准确性、完备性评估的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种数据集质量评估方法,包括:将待评估数据集输入至预先训练好的基线模型,计算所述基线模型在所述待评估数据集上的模型准确率;判断所述模型准确率是否大于预设阈值;若是,则根据所述基线模型的输出结果,对所述待评估数据集进行分类,并根据分类结果确定所述待评估数据集的质量评估结果,其中,所述预设质量评估指标包括:对所述待评估数据集进行质量评估的一个或多个指标;若否,则根据所述模型准确率和所述基线模型的泛化能力参数确定所述待评估数据集的质量评估结果。
在本公开的一个实施例中,根据所述基线模型的输出结果,对所述待评估数据集进行分类,并根据分类结果确定所述待评估数据集的质量评估结果,包括:根据所述基线模型的输出结果,将所述待评估数据集划分为正样本数据集和负样本数据集,其中,所述正样本数据集中包含正确输出结果的数据样本,所述负样本数据集中包含错误输出结果的数据样本;获取对所述负样本数据集的人工校验结果,根据所述人工校验结果确定所述负样本数据集中正确输出结果的数据样本;统计所述负样本数据集中正确输出结果的数据样本个数;通过如下公式计算所述待评估数据集的质量评估指标et,并根据所述质量评估指标et确定所述待评估数据集的质量评估结果:et=(c+n)/N;其中,et表示质量评估指标,c表示为正样本数据集个数,n表示所述负样本数据集中正确输出结果的样本个数,N表示待评估数据集中包含的数据样本个数。
在本公开的一个实施例中,通过如下公式计算所述基线模型的泛化能力参数:
其中,Rreal表示基线模型的泛化能力参数,M表示用于测试样本数据集中数据样本的个数,i表示测试样本数据集中第i个数据样本,L表示损失函数,xi和yi构成测试样本数据集,其中,xi表示第i个输入数据,yi表示xi对应的分类标签,f(xi)表示测试样本数据集中第i个输出数据,X表示基线模型的自变量,Y表示X对应的分类标签,f(X)表示基线模型的输出变量,f是基线模型。
在本公开的一个实施例中,所述根据所述模型准确率和所述基线模型的泛化能力参数确定所述待评估数据集的质量评估结果包括:通过如下公式确定所述模型准确率:
通过如下公式计算所述待评估数据集的质量评估指标et:
et=rtest×Rreal;
其中,rtest表示所述模型准确率,N表示所述待评估数据集中数据个数,j为待评估数据集中第j个数据,xj和yj构成待评估数据集,其中,xj表示第j个输入数据,yj表示xj对应的分类标签,et表示质量评估结果;根据所述质量评估指标et确定所述待评估数据集的质量评估结果。
在本公开的一个实施例中,根据所述基线模型的泛化能力参数,确定所述预设阈值。
在本公开的一个实施例中,获取所述待评估数据集的如下任意一种或多种预设质量评估指标的指标值:完整性指标、一致性指标、唯一性指标、时效性指标;根据获取的预设质量评估指标的指标值和所述模型准确率,确定所述待评估数据集的质量评估结果。
在本公开的一个实施例中,对各个预设质量评估指标值与模型准确率设置权值;对预设质量评估指标值与模型准确率加权计算,得到所述待评估的数据集的综合评估结果。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的数据集质量评估方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的数据集质量评估方法。
本公开的实施例所提供的一种数据集质量评估方法,通过对基线模型在待评估数据集上的模型准确率进行判断,大于预设阈值,对待评估数据集进行分类,并根据分类结果确定待评估数据集的质量评估结果;小于预设阈值,根据模型准确率和基线模型的泛化能力参数确定待评估数据集的质量评估结果。本公开实施例中,由于对模型准确率进行判断并区别计算,提高了数据集质量评估的准确性和完备性,解决了人工审核对于数据集质量评估缺乏准确性、完备性的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种数据集质量评估方法流程图;
图2示出本公开实施例中一种数据集质量评估方法一具体实例的流程图;
图3示出本公开实施例中一种数据集质量评估方法一具体实例的流程图;
图4示出本公开实施例中一种数据集质量评估方法一具体实例的流程图;
图5示出本公开实施例中一种数据集质量评估装置示意图;
图6示出本公开实施例中一种数据集质量评估装置一具体实例的示意图;
图7示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了便于理解,下面首先对本公开涉及到的几个名词进行解释如下:
泛化能力:Generalization Ability,是指机器学习算法对新鲜样本的适应能力,学习的目的是学到隐含在数据背后的规律,对具有同一规律的学习集以外的数据,经过训练的网络也能给出合适的输出,该能力称为泛化能力。
数据集:Data Set,又称为资料集、数据集合或资料集合,是一种由数据所组成的集合。
损失函数:Loss Function,用来评价模型的预测值和真实值不一样的程度,损失函数越好,通常模型的性能越好,不同的模型用的损失函数一般也不一样。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种数据集质量评估方法,该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种数据集质量评估方法流程图,如图1所示,本公开实施例中提供的数据集质量评估方法包括如下步骤:
S102,将待评估数据集输入至预先训练好的基线模型,计算基线模型在待评估数据集上的模型准确率。
需要说明的是,上述待评估数据集可以是用于模型训练的样本数据集。上述训练可以是机器学习训练神经网络模型,是从已有的数据样本中获得模型的过程,这个模型可以让计算机自动地完成分类。上述基线模型可以是在神经网络训练完成后,已经完成训练的神经网络,即神经网络的基线模型,本公开简称为基线模型。上述模型准确率可以是基线模型预测评估数据集的准确率。
在本公开的一个实施例中,预先训练好的基线模型f,接收到待评估数据集(X,Y),就会根据待评估数据集中的X(输入变量),输出f(X)(基线模型预测值),然后对f(X)与待评估数据集中的Y(X对应的分类标签)进行比较,当f(X)的数值等于Y的时候,说明f预测正确,统计f预测结果为正确的数据个数占待评估数据集中总数据个数的比例,得到模型准确率。
例如,在一个实例中,基线模型接收到待评估数据集中数据总个数为1000个,基线模型预测结果为正确的数据个数为980个,那么模型准确率为98%。
S104,判断模型准确率是否大于预设阈值。
需要说明的是,上述模型准确率可以是基线模型预测评估数据集的准确率。上述预设阈值可以是预先设置好的一数值,用于判断、衡量模型准确率的准确度。
例如,在一个实例中,模型准确率为0.98,预设阈值为0.9,那么模型准确率大于预设阈值。
本公开实施例中,通过预设阈值,利用与预设阈值的判断大小区分了不同的模型准确率,从而有助于对待评估数据集进行差异化的质量评估。
S106,若是,则根据基线模型的输出结果,对待评估数据集进行分类,并根据分类结果确定待评估数据集的质量评估结果,其中,预设质量评估指标包括:对待评估数据集进行质量评估的一个或多个指标。
需要说明的是,上述待评估数据集可以是用于模型待评估的样本数据集。上述基线模型可以是在神经网络训练完成后,已经完成训练的神经网络,即神经网络的基线模型,本公开简称为基线模型。上述输出结果可以是基线模型根据待评估数据集中输入参数,输出的预测值与待评估数据集中输出参数比较的结果。上述分类可以是根据输出的预测值与待评估数据集中输出参数比较的结果进行分类,比较结果相同的分为一类,比较结果不同的分为一类。上述质量评估指标可以是基线模型预测待评估数据集的正确率。
例如,在一个实例中,基线模型接收到待评估数据集中数据总个数为1000个,基线模型预测结果为正确的数据个数为980个,基线模型预测结果为不正确的数据个数为20个,模型准确率为0.98,预设阈值为0.9,模型准确率大于预设阈值,此时,将980个基线模型预测结果为正确的数据分为A组,将20个基线模型预测结果为不正确的数据分为B组,之后通过人工审核的方式对B组进行判断,通过人工审核判断,B组中基线模型预测不准确的数据为1个,即基线模型预测结果不准确的B组数据,通过人工审核判断发现B组数据中有一个数据为正确,那么待评估数据集质量评估指标值为:(980+1)/1000=0.981。
本公开实施例中,通过对模型准确率大于预设阈值的情况进行分类计算,把模型判断为不正确的数据再次审核,修正准确率,从而有助于对待评估数据集进行准确的质量评估。
S108,若否,则根据模型准确率和基线模型的泛化能力参数确定待评估数据集的质量评估结果。
需要说明的是,上述模型准确率可以是基线模型预测评估数据集的准确率。上述基线模型可以是在神经网络训练完成后,已经完成训练的神经网络,即神经网络的基线模型,本公开简称为基线模型。上述泛化能力参数可以是基线模型预测已有的数据样本中的准确率。上述待评估数据集可以是用于模型待评估的样本数据集。上述质量评估指标可以是基线模型预测待评估数据集的正确率。
例如,在一个实例中,基线模型的泛化能力参数,为基线模型预测已有的数据样本中的准确率0.95,基线模型接收到待评估数据集中数据总个数为1000个,基线模型预测结果为正确的数据个数为880个,基线模型预测结果为不正确的数据个数为120个,模型准确率为0.88,预设阈值为0.9,模型准确率小于预设阈值,此时,根据模型准确率0.88和基线模型的泛化能力参数0.95相乘,得到待评估数据集质量评估指标值为0.836。
在一个实施例中,通过如下公式计算基线模型的泛化能力参数:
其中,Rreal表示基线模型的泛化能力参数,M表示用于测试样本数据集中数据样本的个数,i表示测试样本数据集中第i个数据样本,L表示损失函数,X表示基线模型的自变量,Y表示X对应的分类标签,f(X)表示基线模型的输出变量,在损失函数中0、1损失是指预测值f(X)和目标值Y相等为1,否则为0,xi和yi构成测试样本数据集,xi可以是几个类似术语的同义词,如特征、独立变量和输入变量,其次,yi也是几个术语的同义词,即类别标签、因变量和输出变量,f是基线模型。在一个实施例中,xi表示第i个输入数据,yi表示第i个输出数据。Rreal由实际应用场景中的海量真实数据测试样本验证获得(测试样本集{X,Y}为实际应用场景的海量真实数据),并且,Rreal应满足或高于实际应用场景的准确率要求。
在一个实施例中,根据基线模型的泛化能力参数,确定预设阈值。
例如,在一个实例中,预设阈值正比于泛化能力参数,且预设阈值的数值大于零且小于泛化能力参数。
本公开实施例中,通过对模型准确率小于预设阈值的情况进行二次计算,把模型判断与模型准确率结合运算,修正准确率,从而有助于对待评估数据集进行准确的质量评估。
图2示出本公开实施例中一种数据集质量评估方法一具体实例的流程图,如图2所示,本公开实施例中提供的数据集质量评估方法包括如下步骤:
S202,根据基线模型的输出结果,将待评估数据集划分为正样本数据集和负样本数据集,其中,正样本数据集中包含正确输出结果的数据样本,负样本数据集中包含错误输出结果的数据样本。
需要说明的是,上述基线模型可以是在神经网络训练完成后,已经完成训练的神经网络,即神经网络的基线模型,本公开简称为基线模型。上述待评估数据集可以是用于模型待评估的样本数据集。上述正样本数据集可以是基线模型预测结果为正确的数据集。上述负样本数据集可以是基线模型预测结果为不正确的数据集。上述正确输出结果可以是基线模型预测结果为正确的数据。上述错误输出结果可以是基线模型预测结果为不正确的数据。
例如,在一个实例中,基线模型接收到待评估数据集中数据总个数为1000个,基线模型预测结果为正确的数据个数为980个,基线模型预测结果为不正确的数据个数为20个,将980个基线模型预测结果为正确的数据分为正样本数据集,将20个基线模型预测结果为不正确的数据分为负样本数据集。
S204,获取对负样本数据集的人工校验结果,根据人工校验结果确定负样本数据集中正确输出结果的数据样本。
需要说明的是,上述负样本数据集可以是基线模型预测结果为不正确的数据集。上述人工校验可以是专家判定的方式,对基线模型预测结果为不正确的数据集进行人工判定,检查基线模型是否判断错误。上述负样本数据集中正确输出结果可以是基线模型预测结果为不正确的数据集中基线模型判断错误的数据,即被基线模型误判的正确数据。
例如,在一个实例中,基线模型接收到待评估数据集中数据总个数为1000个,基线模型预测结果为正确的数据个数为980个,基线模型预测结果为不正确的数据个数为20个,将980个基线模型预测结果为正确的数据分为正样本数据集,将20个基线模型预测结果为不正确的数据分为负样本数据集,再次对负样本数据集进行人工判断,判断负样本数据集中模型预测错误的数据为1个,即负样本数据集中还存在1个正确数据。
S206,统计负样本数据集中正确输出结果的数据样本个数。
需要说明的是,上述负样本数据集可以是基线模型预测结果为不正确的数据集。上述负样本数据集中正确输出结果可以是基线模型预测结果为不正确的数据集中基线模型判断错误的数据,即被基线模型误判的正确数据。
例如,在一个实例中,基线模型预测结果为不正确的数据个数为20个,将20个基线模型预测结果为不正确的数据分为负样本数据集,对负样本数据集进行人工判断,判断负样本数据集中模型预测错误的数据为1个,则负样本数据集中正确输出结果的数据样本个数为1。
S208,通过如下公式计算待评估数据集的质量评估指标et,并根据质量评估指标et确定待评估数据集的质量评估结果:
et=(c+n)/N (3)
其中,et表示质量评估指标,c表示为正样本数据集个数,n表示负样本数据集中正确输出结果的样本个数,N表示待评估数据集中包含的数据样本个数。
需要说明的是,上述质量评估指标可以是基线模型预测待评估数据集的正确率。上述正样本数据集可以是基线模型预测结果为正确的数据集。上述负样本数据集可以是基线模型预测结果为不正确的数据集。上述待评估数据集可以是用于模型待评估的样本数据集。
例如,在一个实例中,基线模型接收到待评估数据集中数据总个数为1000个,基线模型预测结果为正确的数据个数为980个,即正样本数据集个数为980个,将20个基线模型预测结果为不正确的数据人工判断,判断负样本数据集中模型预测错误的数据为1个,即负样本数据集中包括有一个正确输出结果的样本,那么待评估数据集质量评估指标et=(980+1)/1000=0.981。
本公开实施例中,通过对模型准确率大于预设阈值的情况进行分类计算,把模型判断为不正确的数据再次审核,修正准确率,从而有助于对待评估数据集进行准确的质量评估。
图3示出本公开实施例中一种数据集质量评估方法一具体实例的流程图,如图3所示,本公开实施例中提供的数据集质量评估方法包括如下步骤:
S302,确定模型准确率。
在一个实施例中,上述S302可通过如下公式计算模型准确率:
其中,rtest表示所述模型准确率,N表示所述待评估数据集中数据个数,j为待评估数据集中第j个数据,L表示损失函数,在损失函数中0、1损失是指预测值f(X)和目标值Y相等为1,否则为0,xj和yj构成待评估数据集,其中,xj表示第j个输入数据,yj表示xj对应的分类标签,f是基线模型。
S304,计算待评估数据集的质量评估指标。
在一个实施例中,上述S304可通过如下公式计算待评估数据集的质量评估指标et:
et=rtest×Rreal (5)
其中,et表示质量评估结果,rtest表示所述模型准确率,Rreal表示基线模型的泛化能力参数。
S306,根据质量评估指标确定待评估数据集的质量评估结果。
例如,在一个实例中,基线模型的泛化能力参数,为基线模型预测已有的数据样本中的准确率0.95,基线模型接收到待评估数据集中数据总个数为1000个,基线模型预测结果为正确的数据个数为880个,基线模型预测结果为不正确的数据个数为120个,模型准确率为0.88,根据模型准确率0.88和基线模型的泛化能力参数0.95相乘,得到待评估数据集质量评估指标值为0.836。
本公开实施例中,通过对模型准确率小于预设阈值的情况进行二次计算,把模型判断与模型准确率结合运算,修正准确率,从而有助于对待评估数据集进行准确的质量评估。
图4示出本公开实施例中一种数据集质量评估方法一具体实例的流程图,如图4所示,本公开实施例中提供的数据集质量评估方法包括如下步骤:
S402,获取待评估数据集的如下任意一种或多种预设质量评估指标的指标值:完整性指标、一致性指标、唯一性指标、时效性指标。
需要说明的是,上述完整性指标可以是对待评估的数据集进行完整性评估,即统计满足完整性约束规则的数据个数在总数据集总数中的比例。上述一致性指标可以是满足一致性约束规则的数据个数在总数据集总数中的比例。上述唯一性指标可以是满足唯一性约束规则的数据个数在总数据集总数中的比例。上述时效性指标可以是满足时效性约束规则的数据个数在总数据集总数中的比例。
S404,根据获取的预设质量评估指标的指标值和模型准确率,确定待评估数据集的质量评估结果。
在一个实施例中,对各个预设质量评估指标值与模型准确率设置权值;对预设质量评估指标值与模型准确率加权计算,得到待评估的数据集的综合评估结果。
本公开实施例中,通过设置多种预设质量评估指标,并对各个预设质量评估指标值与模型准确率设置权值,从而有助于对待评估数据集进行准确的综合质量评估。
基于同一发明构思,本公开实施例中还提供了一种数据集质量评估装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图5示出本公开实施例中一种数据集质量评估装置示意图,如图5所示,该装置包括:
准确率计算模块501,用于将待评估数据集输入至预先训练好的基线模型,计算模型准确率;
准确率判断模块502,用于判断模型准确率是否大于预设阈值;
第一执行模块503,用于在准确率大于预设阈值的情况下,对待评估数据集进行分类,根据分类结果确定待评估数据集的质量评估结果,其中,预设质量评估指标包括:对待评估数据集进行质量评估的一个或多个指标;
第二执行模块504,用于在准确率小于预设阈值的情况下,根据模型准确率和基线模型的泛化能力参数确定待评估数据集的质量评估结果。
在一个实施例中,数据集质量评估装置的第一执行模块503,用于根据基线模型的输出结果,将待评估数据集划分为正样本数据集和负样本数据集,其中,正样本数据集中包含正确输出结果的数据样本,负样本数据集中包含错误输出结果的数据样本;获取对负样本数据集的人工校验结果,根据人工校验结果确定负样本数据集中正确输出结果的数据样本;统计负样本数据集中正确输出结果的数据样本个数;通过上述公式(3)计算待评估数据集的质量评估指标et,并根据质量评估指标et确定待评估数据集的质量评估结果。
在一个实施例中,数据集质量评估装置还包括泛化能力参数模块505,用于通过上述公式(1)与公式(2)计算基线模型的泛化能力参数。
在一个实施例中,数据集质量评估装置的第二执行模块504,用于通过上述公式(4)确定模型准确率。通过上述公式(5)计算待评估数据集的质量评估指标et,根据质量评估指标et确定待评估数据集的质量评估结果。
在一个实施例中,数据集质量评估装置还包括阈值设置模块506,用于根据基线模型的泛化能力参数,确定预设阈值。
图6示出本公开实施例中一种数据集质量评估装置一具体实例的示意图,如图6所示,该装置包括:
指标值获取模块601,用于获取待评估数据集的如下任意一种或多种预设质量评估指标的指标值:完整性指标、一致性指标、唯一性指标、时效性指标;
评估计算模块602,用于根据获取的预设质量评估指标的指标值和模型准确率,确定待评估数据集的质量评估结果。
在一个实施例中,数据集质量评估装置还包括权值设置模块603,用于对各个预设质量评估指标值与模型准确率设置权值;对预设质量评估指标值与模型准确率加权计算,得到待评估的数据集的综合评估结果。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为***、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同***组件(包括存储单元720和处理单元710)的总线730。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如,所述处理单元710可以执行上述方法实施例的如下步骤:将待评估数据集输入至预先训练好的基线模型,计算基线模型在待评估数据集上的模型准确率;判断模型准确率是否大于预设阈值;若是,则根据基线模型的输出结果,对待评估数据集进行分类,并根据分类结果确定待评估数据集的质量评估结果,其中,预设质量评估指标包括:对待评估数据集进行质量评估的一个或多个指标;若否,则根据模型准确率和基线模型的泛化能力参数确定待评估数据集的质量评估结果。
在一个实施例中,所述处理单元710可以执行根据基线模型的输出结果,对待评估数据集进行分类,并根据分类结果确定待评估数据集的质量评估结果包括如下步骤:根据基线模型的输出结果,将待评估数据集划分为正样本数据集和负样本数据集,其中,正样本数据集中包含正确输出结果的数据样本,负样本数据集中包含错误输出结果的数据样本;获取对负样本数据集的人工校验结果,根据人工校验结果确定负样本数据集中正确输出结果的数据样本;统计负样本数据集中正确输出结果的数据样本个数;通过上述公式(3)计算待评估数据集的质量评估指标et,并根据质量评估指标et确定待评估数据集的质量评估结果。
在一个实施例中,所述处理单元710可以执行上述方法实施例的如下步骤:通过上述公式(1)与公式(2)计算基线模型的泛化能力参数。
在一个实施例中,所述处理单元710可以执行根据模型准确率和基线模型的泛化能力参数确定待评估数据集的质量评估结果包括如下步骤:
通过上述公式(4)确定模型准确率。
通过上述公式(5)计算待评估数据集的质量评估指标et;
根据质量评估指标et确定待评估数据集的质量评估结果。
在一个实施例中,所述处理单元710可以执行上述方法实施例的如下步骤:根据基线模型的泛化能力参数,确定预设阈值。
在一个实施例中,所述处理单元710可以执行上述方法实施例的如下步骤:获取待评估数据集的如下任意一种或多种预设质量评估指标的指标值:完整性指标、一致性指标、唯一性指标、时效性指标;
根据获取的预设质量评估指标的指标值和模型准确率,确定待评估数据集的质量评估结果。
在一个实施例中,所述处理单元710可以执行上述方法实施例的如下步骤:对各个预设质量评估指标值与待评估数据集上的准确率设置权值;
对预设质量评估指标值与待评估数据集上的准确率加权计算,得到待评估的数据集的综合评估结果。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205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。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700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、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(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。
在本公开中,计算机可读存储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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可选地,计算机可读存储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、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种数据集质量评估方法,其特征在于,包括:
将待评估数据集输入至预先训练好的基线模型,计算所述基线模型在所述待评估数据集上的模型准确率;
判断所述模型准确率是否大于预设阈值;
若是,则根据所述基线模型的输出结果,对所述待评估数据集进行分类,并根据分类结果确定所述待评估数据集的质量评估结果,其中,所述质量评估结果包括:对所述待评估数据集进行质量评估的一个或多个指标;
若否,则根据所述模型准确率和所述基线模型的泛化能力参数确定所述待评估数据集的质量评估结果。
2.根据权利要求1所述的数据集质量评估方法,其特征在于,根据所述基线模型的输出结果,对所述待评估数据集进行分类,并根据分类结果确定所述待评估数据集的质量评估结果,包括:
根据所述基线模型的输出结果,将所述待评估数据集划分为正样本数据集和负样本数据集,其中,所述正样本数据集中包含正确输出结果的数据样本,所述负样本数据集中包含错误输出结果的数据样本;
获取对所述负样本数据集的人工校验结果,根据所述人工校验结果确定所述负样本数据集中正确输出结果的数据样本;
统计所述负样本数据集中正确输出结果的数据样本个数;
通过如下公式计算所述待评估数据集的质量评估指标et,并根据所述质量评估指标et确定所述待评估数据集的质量评估结果:
et=(c+n)/N;
其中,et表示质量评估指标,c表示为正样本数据集中的数据样本个数,n表示所述负样本数据集中正确输出结果的数据样本个数,N表示待评估数据集中包含的数据样本个数。
3.根据权利要求1所述的数据集质量评估方法,其特征在于,所述方法还包括:
通过如下公式计算所述基线模型的泛化能力参数:
其中,Rreal表示基线模型的泛化能力参数,M表示用于测试样本数据集中数据样本的个数,i表示测试样本数据集中第i个数据样本,L表示损失函数,xi和yi构成测试样本数据集,其中,xi表示第i个输入数据,yi表示xi对应的分类标签,f(xi)表示测试样本数据集中第i个输出数据,X表示基线模型的自变量,Y表示X对应的分类标签,f(X)表示基线模型的输出变量,f是基线模型。
4.根据权利要求3所述的数据集质量评估方法,其特征在于,所述根据所述模型准确率和所述基线模型的泛化能力参数确定所述待评估数据集的质量评估结果包括:
通过如下公式确定所述模型准确率:
通过如下公式计算所述待评估数据集的质量评估指标et:
et=rtest×Rreal;
其中,rtest表示所述模型准确率,N表示所述待评估数据集中数据个数,j为待评估数据集中第j个数据,xj和yj构成待评估数据集,其中,xj表示第j个输入数据,yj表示xj对应的分类标签,et表示质量评估指标;
根据所述质量评估指标et确定所述待评估数据集的质量评估结果。
5.根据权利要求1所述的数据集质量评估方法,其特征在于,所述方法还包括:
根据所述基线模型的泛化能力参数,确定所述预设阈值。
6.根据权利要求1所述的数据集质量评估方法,其特征在于,所述方法还包括:
获取所述待评估数据集的如下任意一种或多种预设质量评估指标的指标值:完整性指标、一致性指标、唯一性指标、时效性指标;
根据获取的预设质量评估指标的指标值和所述模型准确率,确定所述待评估数据集的质量评估结果。
7.根据权利要求6所述的数据集质量评估方法,其特征在于,所述方法还包括:
对各个预设质量评估指标的指标值与模型准确率设置权值;
对预设质量评估指标的指标值与模型准确率加权计算,得到所述待评估的数据集的综合评估结果。
8.一种数据集质量评估装置,其特征在于,包括:
准确率计算模块,用于将待评估数据集输入至预先训练好的基线模型,计算所述基线模型在所述待评估数据集上的模型准确率;
准确率判断模块,用于判断所述模型准确率是否大于预设阈值;
第一执行模块,用于在所述准确率大于预设阈值的情况下,对所述待评估数据集进行分类,根据分类结果确定所述待评估数据集的质量评估结果,其中,所述质量评估结果包括:对所述待评估数据集进行质量评估的一个或多个指标;
第二执行模块,用于在所述准确率小于预设阈值的情况下,根据所述模型准确率和所述基线模型的泛化能力参数确定所述待评估数据集的质量评估结果。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述数据集质量评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任意一项所述的数据集质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118130.XA CN114444608B (zh) | 2022-02-08 | 2022-02-08 | 数据集质量评估方法及装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118130.XA CN114444608B (zh) | 2022-02-08 | 2022-02-08 | 数据集质量评估方法及装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444608A CN114444608A (zh) | 2022-05-06 |
CN114444608B true CN114444608B (zh) | 2024-03-29 |
Family
ID=81371771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210118130.XA Active CN114444608B (zh) | 2022-02-08 | 2022-02-08 | 数据集质量评估方法及装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444608B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580982B (zh) * | 2022-05-07 | 2022-08-05 | 昆仑智汇数据科技(北京)有限公司 | 一种工业设备的数据质量的评估方法、装置及设备 |
CN115831219B (zh) * | 2022-12-22 | 2024-05-28 | 郑州思昆生物工程有限公司 | 一种质量预测方法、装置、设备及存储介质 |
CN117011698B (zh) * | 2023-06-25 | 2024-05-03 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 多维度和多模型的地表全覆盖解译样本集评价方法 |
CN117315466B (zh) * | 2023-09-20 | 2024-04-09 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596180A (zh) * | 2018-04-09 | 2018-09-28 | 深圳市腾讯网络信息技术有限公司 | 图像中的参数识别、参数识别模型的训练方法及装置 |
CN112287390A (zh) * | 2020-10-23 | 2021-01-29 | 杭州数梦工场科技有限公司 | 基线的自适应调整方法及装置 |
CN112507981A (zh) * | 2021-02-02 | 2021-03-16 | 上海聚虹光电科技有限公司 | 模型生成方法、虹膜图像质量评估方法及电子设备 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
CN113221864A (zh) * | 2021-04-12 | 2021-08-06 | 蚌埠学院 | 多区域深度特征融合的病鸡视觉识别模型构建及应用方法 |
CN113486917A (zh) * | 2021-05-17 | 2021-10-08 | 西安电子科技大学 | 一种基于度量学习的雷达hrrp小样本目标识别方法 |
WO2021248690A1 (zh) * | 2020-06-11 | 2021-12-16 | 烽火通信科技股份有限公司 | 光通道性能劣化智能预警方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10761958B2 (en) * | 2018-03-19 | 2020-09-01 | International Business Machines Corporation | Automatically determining accuracy of a predictive model |
-
2022
- 2022-02-08 CN CN202210118130.XA patent/CN114444608B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596180A (zh) * | 2018-04-09 | 2018-09-28 | 深圳市腾讯网络信息技术有限公司 | 图像中的参数识别、参数识别模型的训练方法及装置 |
WO2021248690A1 (zh) * | 2020-06-11 | 2021-12-16 | 烽火通信科技股份有限公司 | 光通道性能劣化智能预警方法、装置、设备及存储介质 |
CN112287390A (zh) * | 2020-10-23 | 2021-01-29 | 杭州数梦工场科技有限公司 | 基线的自适应调整方法及装置 |
CN112507981A (zh) * | 2021-02-02 | 2021-03-16 | 上海聚虹光电科技有限公司 | 模型生成方法、虹膜图像质量评估方法及电子设备 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
CN113221864A (zh) * | 2021-04-12 | 2021-08-06 | 蚌埠学院 | 多区域深度特征融合的病鸡视觉识别模型构建及应用方法 |
CN113486917A (zh) * | 2021-05-17 | 2021-10-08 | 西安电子科技大学 | 一种基于度量学习的雷达hrrp小样本目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114444608A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444608B (zh) | 数据集质量评估方法及装置、电子设备及存储介质 | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
WO2020082734A1 (zh) | 文本情感识别方法、装置、电子设备及计算机非易失性可读存储介质 | |
CN104346372A (zh) | 用于评估预测模型的方法和装置 | |
CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
CN113298121B (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
WO2021035412A1 (zh) | 一种自动机器学习AutoML***、方法及设备 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111860698A (zh) | 确定学习模型的稳定性的方法和装置 | |
CN114418189A (zh) | 水质等级预测方法、***、终端设备及存储介质 | |
CN115359799A (zh) | 语音识别方法、训练方法、装置、电子设备及存储介质 | |
CN104022899A (zh) | 一种网络管理***的三维评估方法及*** | |
CN113242213B (zh) | 一种电力通信骨干网节点脆弱性诊断方法 | |
CN109255389B (zh) | 一种装备评价方法、装置、设备及可读存储介质 | |
CN112801231B (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN112817842B (zh) | 不完美排错srgm决策方法、***、介质、设备及应用 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN117252688A (zh) | 一种金融风险评估方法、***、终端设备及存储介质 | |
CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN116362894A (zh) | 多目标学习方法、装置、电子设备及计算机可读存储介质 | |
CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
CN111654853B (zh) | 一种基于用户信息的数据分析方法 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及*** | |
WO2020232899A1 (zh) | 数据分析***会诊方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |