CN117196063A - 模型训练方法、对象属性值确定方法、装置、设备及介质 - Google Patents
模型训练方法、对象属性值确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117196063A CN117196063A CN202311154230.9A CN202311154230A CN117196063A CN 117196063 A CN117196063 A CN 117196063A CN 202311154230 A CN202311154230 A CN 202311154230A CN 117196063 A CN117196063 A CN 117196063A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- sample
- target
- preset
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 326
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012795 verification Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种模型训练方法、对象属性值确定方法、装置、设备及介质。涉及人工智能技术领域。包括:获取第一训练样本,第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值;通过第一训练样本对初始模型进行模型训练,得到中间模型;根据中间模型,在多个预设参数类型中确定多个目标参数类型;根据多个目标参数类型确定第二训练样本;根据第二训练样本对初始模型进行模型训练,得到目标模型。以上方案,通过确定对对象属性值影响大的参数类型,从而确定第二训练样本,通过第二训练样本中的参数值可以准确提取数据规律,在此基础上训练得到的模型可以提升数据预测的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种模型训练方法、对象属性值确定方法、装置、设备及介质。
背景技术
在人工智能领域中,对于存在规律性的时序数据,例如历史商品数据或者历史网络流量数据,通过获取时序数据中的数据规律,预测未来某一时刻的数据。例如根据商品的历史价格与历史时段之间的规律,预测未来某一时刻的商品价格,从而指导用户的生产或者生活。
在相关技术中,从时序数据的时间参数中提取数据规律,根据数据规律以及未来时刻确定未来时刻的数据。
然而,时序数据的真实规律受到多种因素的影响,时间参数不能覆盖所有参数,导致数据模型预测数据的准确性差。
发明内容
本申请提供一种模型训练方法、对象属性值确定方法、装置、设备及介质,用以提升预测数据的准确性。
第一方面,本申请提供一种模型训练方法,包括:获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值;通过所述第一训练样本对初始模型进行模型训练,得到中间模型;根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值;根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。
在一种可能的设计中,根据所述多个第二训练样本对所述初始模型进行模型训练,得到目标模型,包括:根据所述第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,所述样本输入数据包括N个历史时段对应的目标参数值、以及所述预设对象在所述N个历史时段的对象属性值,所述样本输出数据为所述预设对象在标注时段内的对象属性值,所述N个历史时段位于所述标注时段之前,所述N为正整数;根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述初始模型进行模型训练,得到所述目标模型。
在一种可能的设计中,根据所述多个第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,包括:按照时段从前到后的顺序,对所述多个第二训练样本中的数据进行排序;将排序后的第二训练样本中的第i至i+N个历史时段的对象属性值和目标参数值,确定为第i个样本输入数据,将排序后的第二训练样本中的第i+N+1个历史时段的对象属性值确定为第i个样本输出数据;其中,所述i依次取1、2、……K-N-1,所述K为所述第二训练样本中包括的历史时段的数量。
在一种可能的设计中,根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述初始模型进行模型训练,得到所述目标模型,包括:在所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据中确定多个训练集、以及每个训练集对应的验证集,所述训练集包括所述多个样本输入数据中的部分样本输入数据、以及所述部分样本输入数据对应的部分样本输出数据,所述验证集为所述多个样本输入数据和多个样本输出数据中除所述训练集之外的数据;根据所述多个训练集、以及每个训练集对应的验证集,对所述初始模型进行模型训练,得到所述目标模型。
在一种可能的设计中,根据所述多个训练集、以及每个训练集对应的验证集,对所述初始模型进行模型训练,得到所述目标模型,包括:针对任意一个训练集,根据所述训练集对所述初始模型进行模型训练,得到所述训练集对应的中间模型,并根据所述训练集对应的验证集对所述中间模型进行验证处理,得到所述中间模型的性能参数;根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型;根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述待选模型进行模型训练,得到所述目标模型。
在一种可能的设计中,所述性能参数包括如下至少一种:损失值、准确率、召回率;根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型,包括:针对任意一个中间模型,根据所述中间模型的性能参数,确定所述中间模型的性能指标值;将性能指标值最高的中间模型,确定为所述待选模型。
在一种可能的设计中,根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,包括:确定每个预设参数类型在所述中间模型中的权重值;按照权重值从大到小的顺序,对所述多个预设参数类型进行排序处理;将排序后的多个预设参数类型中的前M个预设参数类型,确定为所述多个目标参数类型。
在一种可能的设计中,根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型之后,还包括:确定每个目标参数类型在所述目标模型中的权重值;根据每个目标参数类型在所述目标模型中的权重值,生成输出信息,所述输出信息用于指示每个目标参数类型在所述目标模型中的权重值,所述输出信息为图片格式或者文本格式;显示所述输出信息,或者向预设设备发送所述输出信息。
第二方面,本申请提供一种对象属性值确定方法,包括:获取预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;通过目标模型对预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值进行处理,得到所述预设对象在未来时段的对象属性值,其中,所述目标模型为通过权利要求1-8任一项所述的方法训练得到的。
第三方面,本申请提供一种模型训练装置,包括:样本模块,用于获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值;预训练模块,用于通过所述第一训练样本对初始模型进行模型训练,得到中间模型;确定模块,用于根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值;生成模块,用于根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;训练模块,用于根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。
在一种可能的设计中,所述训练模块,具体用于根据所述第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,所述样本输入数据包括N个历史时段对应的目标参数值、以及所述预设对象在所述N个历史时段的对象属性值,所述样本输出数据为所述预设对象在标注时段内的对象属性值,所述N个历史时段位于所述标注时段之前,所述N为正整数;所述训练模块,具体还用于根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述初始模型进行模型训练,得到所述目标模型。
在一种可能的设计中,所述训练模块,具体用于按照时段从前到后的顺序,对所述多个第二训练样本中的数据进行排序;所述训练模块,具体还用于将排序后的第二训练样本中的第i至i+N个历史时段的对象属性值和目标参数值,确定为第i个样本输入数据,将排序后的第二训练样本中的第i+N+1个历史时段的对象属性值确定为第i个样本输出数据;其中,所述i依次取1、2、……K-N-1,所述K为所述第二训练样本中包括的历史时段的数量。
在一种可能的设计中,所述训练模块,具体用于在所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据中确定多个训练集、以及每个训练集对应的验证集,所述训练集包括所述多个样本输入数据中的部分样本输入数据、以及所述部分样本输入数据对应的部分样本输出数据,所述验证集为所述多个样本输入数据和多个样本输出数据中除所述训练集之外的数据;所述训练模块,具体还用于根据所述多个训练集、以及每个训练集对应的验证集,对所述初始模型进行模型训练,得到所述目标模型。
在一种可能的设计中,所述训练模块,具体用于针对任意一个训练集,根据所述训练集对所述初始模型进行模型训练,得到所述训练集对应的中间模型,并根据所述训练集对应的验证集对所述中间模型进行验证处理,得到所述中间模型的性能参数;所述训练模块,具体还用于根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型;所述训练模块,具体还用于根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述待选模型进行模型训练,得到所述目标模型。
在一种可能的设计中,所述性能参数包括如下至少一种:损失值、准确率、召回率;所述训练模块,具体用于针对任意一个中间模型,根据所述中间模型的性能参数,确定所述中间模型的性能指标值;所述训练模块,具体还用于将性能指标值最高的中间模型,确定为所述待选模型。
在一种可能的设计中,所述装置还包括:筛选模块,用于确定每个预设参数类型在所述中间模型中的权重值;所述筛选模块,还用于按照权重值从大到小的顺序,对所述多个预设参数类型进行排序处理;所述筛选模块,还用于将排序后的多个预设参数类型中的前M个预设参数类型,确定为所述多个目标参数类型。
在一种可能的设计中,所述装置还包括:输出模块,用于确定每个目标参数类型在所述目标模型中的权重值;所述输出模块,还用于根据每个目标参数类型在所述目标模型中的权重值,生成输出信息,所述输出信息用于指示每个目标参数类型在所述目标模型中的权重值,所述输出信息为图片格式或者文本格式;所述输出模块,还用于显示所述输出信息,或者向预设设备发送所述输出信息。
第四方面,本申请提供一种对象属性值确定装置,包括:应用模块,用于获取预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;预测模块,用于通过目标模型对预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值进行处理,得到所述预设对象在未来时段的对象属性值,其中,所述目标模型为通过第一方面所述的方法训练得到的。
第五方面,本申请实施例提供一种电子设备,包括:至少一个处理器和存储器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的模型训练方法。
第六方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的模型训练方法。
第七方面,本申请实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上第一方面以及第一方面各种可能的设计所述的模型训练方法。
本申请提供的模型训练方法、对象属性值确定方法、装置、设备及介质,获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值;通过所述第一训练样本对初始模型进行模型训练,得到中间模型;根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值;根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。以上方案,通过确定对对象属性值影响大的参数类型,从而确定第二训练样本,通过第二训练样本中的参数值可以准确提取数据规律,在此基础上训练得到的模型可以提升数据预测的准确性。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种模型训练方法的应用场景示意图;
图2为本申请实施例提供的一种模型训练方法的流程示意图;
图3为本申请实施例提供的一种模型训练方法的流程示意图;
图4为本申请实施例提供的样本数据示意图;
图5为本申请实施例提供的确定待选模型示意图;
图6为本申请实施例提供的一种模型训练装置的结构示意图;
图7为本申请实施例提供的一种模型训练装置的结构示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的技术方案中,所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
图1为模型训练的应用场景图。如图1所示,时序数据包括历史时段以及历史数据,历史时段与历史数据一一对应,参数值为影响历史数据的参数的数值,参数值与历史时段一一对应,根据时序数据以及对应的参数值进行。
现有技术中,通过时序数据的时间参数中提取数据规律,然而时间参数不能覆盖所有参数,导致数据模型预测数据的准确性差。
针对上述技术问题,本申请提出如下技术构思:在时序数据的时间参数之外,引入影响数据规律的其他因素进行模型训练,从而准确提取数据规律。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的一种模型训练方法的流程示意图,该方法包括以下步骤:
S201、获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值。
作为示例,该实施例的执行主体可以为模型训练装置,该模型训练装置的实现有多种。例如,可以为程序软件,也可以为存储有相关计算机程序的介质,例如,U盘等;或者,该装置还可以为集成或安装有相关计算机程序的实体设备,例如,芯片、智能终端、电脑、服务器等。
举例来说,针对预设对象为商品,对象属性值为价格的业务场景,商品的价格随时间变化的同时也受到多个参数的影响,例如:原料成本、运输成本、供需关系、市场变化等参数。多个参数的共同影响,决定了商品的价格。
需要说明的是,初始模型可以为轻量级梯度提升机算法(Light GradientBoosting Machine,简称Light Gradient Boosting Machine)模型等类型,本申请不作限制。
S202、通过所述第一训练样本对初始模型进行模型训练,得到中间模型。
其中,中间模型从时序数据以及参数值中提取数据规律。
可以理解,中间模型提取的数据规律覆盖多种影响价格的因素。
S203、根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值。
可选的,根据业务场景确定预设阈值。
举例来说,多个预设参数类型为开发人员根据业务场景确定的与预设对象相关的参数类型。每个预设参数类型对对象属性值的影响程度不同,通过中间模型对影响程度进行量化,从中确定目标参数类型。
可以理解,通过中间模型对参数类型的影响程度进行量化,相比于人工判别,准确性更高。
S204、根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值。
举例来说,多个预设参数类型中包括对对象属性值的影响程度较大的多个目标参数类型,以及对对象属性值的影响程度较小的其他参数类型。由于其他参数类型对对象属性值的影响程度较小,会干扰模型的算法,因此将目标参数值添加进第二训练样本。
S205、根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。
可选的,建立模型与对象的对应关系,每个模型仅针对对应的对象进行数据预测。
可以理解,以第二训练样本进行模型训练得到的目标模型,可以结合时序数据以及目标参数值,从而提取数据规律。
本申请实施例提供的模型训练方法,获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值;通过所述第一训练样本对初始模型进行模型训练,得到中间模型;根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值;根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。以上方案,通过确定对对象属性值影响大的参数类型,从而确定第二训练样本,通过第二训练样本中的参数值可以准确提取数据规律,在此基础上训练得到的模型可以提升数据预测的准确性。
在上述任意一个实施例的基础上,下面,结合图3,对模型训练的详细过程进行说明。
图3为本申请实施例提供的一种模型训练方法的流程示意图。如图3所示,该方法包括:
S301、获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值。
需要说明的是,S301的执行过程参见S201,此处不再赘述。
S302、通过所述第一训练样本对初始模型进行模型训练,得到中间模型。
需要说明的是,S302的执行过程参见S202,此处不再赘述。
S303、确定每个预设参数类型在所述中间模型中的权重值。
可选的,通过模型的重要性分析工具,对多个预设参数类型进行分析,得到每个预设参数类型对应的权重值。
结合场景示例来说,权重值用于评价对应的预设参数类型对于模型的影响程度。
S304、按照权重值从大到小的顺序,对所述多个预设参数类型进行排序处理。
结合场景示例来说,权重值为可以量化的指标,通过权重值排序可以得到多个预设参数类型对于模型的重要程度的排序。
S305、将排序后的多个预设参数类型中的前M个预设参数类型,确定为所述多个目标参数类型。
可选的,根据预设参数类型的数量以及预设比例确定M的值。
结合场景示例来说,若预设参数类型的数量为20,预设比例为30%,则M=20*30%=6。
基于以上实施方式,结合预设参数类型的数量以及预设百分比,可以灵活确定M的值,避免M的值过大或者过小。
S306、根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值。
需要说明的是,S306的执行过程参见S204,此处不再赘述。
S307、根据所述第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,所述样本输入数据包括N个历史时段对应的目标参数值、以及所述预设对象在所述N个历史时段的对象属性值,所述样本输出数据为所述预设对象在标注时段内的对象属性值,所述N个历史时段位于所述标注时段之前,所述N为正整数。
可选的,第二训练样本为时序数据,第二训练样本中的时序数据按照历史时段的先后顺序排列。
下面,结合图4对样本数据进行说明。
图4为本申请实施例提供的样本数据示意图。如图4所示,N个历史时段均位于标注时段之前,N个历史时段中的每个历史时段都对应目标参数值以及对象属性值。N个历史时段中的数据组成样本输入数据。标注时段中的数据组成样本输出数据。
可选的,通过随机获取的方式确定多个样本输入数据、以及每个样本输入数据对应的样本输出数据。
一种可行的实现方式,根据所述多个第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,包括:按照时段从前到后的顺序,对所述多个第二训练样本中的数据进行排序;将排序后的第二训练样本中的第i至i+N个历史时段的对象属性值和目标参数值,确定为第i个样本输入数据,将排序后的第二训练样本中的第i+N+1个历史时段的对象属性值确定为第i个样本输出数据;其中,所述i依次取1、2、……K-N-1,所述K为所述第二训练样本中包括的历史时段的数量。
结合场景示例来说,若N为10,K为30,则第1个样本输入数据为第1个历史时段至第i+N即第11个历史时段的对象属性值和目标参数值,第2个样本输入数据为第2个历史时段至第i+N即第12个历史时段的对象属性值和目标参数值,以此类推。i的最大取值为K-N-1即30-10-1=19。
举例来说,以商品的价格场景,历史时段为周为例,第1个样本输入数据为第1周至第11周的历史价格以及目标参数值。
在该种可行的实现方式中,通过获取多个样本输入数据,可以有效提升模型的训练效果。
S308、在所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据中确定多个训练集、以及每个训练集对应的验证集,所述训练集包括所述多个样本输入数据中的部分样本输入数据、以及所述部分样本输入数据对应的部分样本输出数据,所述验证集为所述多个样本输入数据和多个样本输出数据中除所述训练集之外的数据。
可选的,通过随机获取的方式确定多个训练集、以及每个训练集对应的验证集。
结合场景示例来说,从多个样本输入数据中按照预设比例,随机确定部分样本输入数据作为训练集,其余样本输入数据作为验证集,样本输出数据与对应的样本输入数据放入训练集或者验证集。重复上述过程得到多组训练集以及对应的验证集。
基于以上实施方式,通过生成多组训练集以及验证集对模型进行性能评估可以避免偶然因素对模型的影响。
S309、针对任意一个训练集,根据所述训练集对所述初始模型进行模型训练,得到所述训练集对应的中间模型,并根据所述训练集对应的验证集对所述中间模型进行验证处理,得到所述中间模型的性能参数。
其中,性能参数包括如下至少一种:损失值、准确率、召回率
结合场景示例来说,性能参数为一组,一组训练参数从不同维度评估中间模型的性能,训练集、验证集、中间模型、一组性能参数为一一对应的关系。
S310、根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型。
一种可行的实现方式,确定待选模型,包括:针对任意一个中间模型,根据所述中间模型的性能参数,确定所述中间模型的性能指标值;将性能指标值最高的中间模型,确定为所述待选模型。
可选的,设置每个性能参数的权重,根据性能参数的权重对性能参数进行加权计算,得到中间模型的性能指标值。
再可选的,根据业务场景确定每个性能参数的权重。
下面,结合图5对确定待选模型进行说明。
图5为本申请实施例提供的确定待选模型示意图。如图5所示,分别使用每个训练集对初始模型进行训练得到多个中间模型,分别使用对应的验证集对中间模型进行验证得到中间模型的性能指标,将性能指标最高的中间模型,确定为待选模型。
在该种可行的实现方式中,通过性能参数的权重计算性能指标值,可以区分每个性能参数的重要性,从而准确评估中间模型的性能。
S311、根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述待选模型进行模型训练,得到所述目标模型。
结合场景示例来说,以多个样本输入数据作为输入,以每个样本输入数据对应的样本输出数据作为标签进行模型训练,得到目标模型。
一种可行的实现方式,得到目标模型之后,还包括:确定每个目标参数类型在所述目标模型中的权重值;根据每个目标参数类型在所述目标模型中的权重值,生成输出信息,所述输出信息用于指示每个目标参数类型在所述目标模型中的权重值,所述输出信息为图片格式或者文本格式;显示所述输出信息,或者向预设设备发送所述输出信息。
结合场景示例来说,用户在预设设备接收输出信息,根据输出信息确定每个目标参数类型的影响程度。以商品价格为例,用户通过输出信息确定对商品价格影响因素高的目标参数类型,根据目标参数类型在未来调整商品的业务。
在该种可行的实现方式中,通过向预设设备发送输出信息,可以有效指导用户的业务,提升用户的业务执行效果。
本申请实施例提供的一种对象属性值确定方法,包括:获取预设对象在多个历史时段内的对象属性值;通过目标模型对所述预设对象在多个历史时段内的对象属性值进行处理,得到所述预设对象在未来时段的对象属性值,其中,所述目标模型为通过本申请的模型训练方法训练得到的。
可选的,每种目标模型用于预测对应的预设对象。
结合场景示例来说,目标模型的应用场景中,输入预设对象的未来时段,目标模型输出预设对象在未来时段的预测对象属性值。
基于以上实施方式,通过多个因素的数据训练的目标模型在预测场景中可以提升预测的准确性。
图6为本申请实施例提供的一种模型训练装置的结构示意图。如图6所示,该模型训练装置60可以包括:样本模块61、预训练模块62、确定模块63、生成模块64以及训练模块65,其中,
所述样本模块61,用于获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值。
所述预训练模块62,用于通过所述第一训练样本对初始模型进行模型训练,得到中间模型。
所述确定模块63,用于根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值。
所述生成模块64,用于根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值。
所述训练模块65,用于根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。
可选的,样本模块61可以执行图2实施例中的S201。
可选的,预训练模块62可以执行图2实施例中的S202。
可选的,确定模块63可以执行图2实施例中的S203。
可选的,生成模块64可以执行图2实施例中的S204。
可选的,训练模块65可以执行图2实施例中的S205。
需要说明的是,本申请实施例所示的模型训练装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的实施方式中,所述训练模块65,具体用于:
根据所述第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,所述样本输入数据包括N个历史时段对应的目标参数值、以及所述预设对象在所述N个历史时段的对象属性值,所述样本输出数据为所述预设对象在标注时段内的对象属性值,所述N个历史时段位于所述标注时段之前,所述N为正整数;
根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述初始模型进行模型训练,得到所述目标模型。
在一种可能的实施方式中,所述训练模块65,具体用于:
按照时段从前到后的顺序,对所述多个第二训练样本中的数据进行排序;
将排序后的第二训练样本中的第i至i+N个历史时段的对象属性值和目标参数值,确定为第i个样本输入数据,将排序后的第二训练样本中的第i+N+1个历史时段的对象属性值确定为第i个样本输出数据;
其中,所述i依次取1、2、……K-N-1,所述K为所述第二训练样本中包括的历史时段的数量。
在一种可能的实施方式中,所述训练模块65,具体用于:
在所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据中确定多个训练集、以及每个训练集对应的验证集,所述训练集包括所述多个样本输入数据中的部分样本输入数据、以及所述部分样本输入数据对应的部分样本输出数据,所述验证集为所述多个样本输入数据和多个样本输出数据中除所述训练集之外的数据;
根据所述多个训练集、以及每个训练集对应的验证集,对所述初始模型进行模型训练,得到所述目标模型。
在一种可能的实施方式中,所述训练模块65,具体用于:
针对任意一个训练集,根据所述训练集对所述初始模型进行模型训练,得到所述训练集对应的中间模型,并根据所述训练集对应的验证集对所述中间模型进行验证处理,得到所述中间模型的性能参数;
根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型;
根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述待选模型进行模型训练,得到所述目标模型。
在一种可能的实施方式中,所述性能参数包括如下至少一种:损失值、准确率、召回率;所述训练模块65,具体用于:
针对任意一个中间模型,根据所述中间模型的性能参数,确定所述中间模型的性能指标值;
将性能指标值最高的中间模型,确定为所述待选模型。
图7为本申请实施例提供的一种模型训练装置的结构示意图。在图6所示实施例的基础上,如图7所示,该模型训练装置70还包括:筛选模块66以及输出模块67,其中:
所述筛选模块66,用于:
确定每个预设参数类型在所述中间模型中的权重值;
按照权重值从大到小的顺序,对所述多个预设参数类型进行排序处理;
将排序后的多个预设参数类型中的前M个预设参数类型,确定为所述多个目标参数类型。
所述输出模块67,用于:
确定每个目标参数类型在所述目标模型中的权重值;
根据每个目标参数类型在所述目标模型中的权重值,生成输出信息,所述输出信息用于指示每个目标参数类型在所述目标模型中的权重值,所述输出信息为图片格式或者文本格式;
显示所述输出信息,或者向预设设备发送所述输出信息。
本申请实施例提供的一种对象属性值确定装置,包括:
应用模块,用于获取预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;
预测模块,用于通过目标模型对预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值进行处理,得到所述预设对象在未来时段的对象属性值,其中,所述目标模型为本申请的模型训练方法训练得到的。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。各模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上各模块的功能。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图8为本申请实施例提供的电子设备的结构示意图。如图8所示,该电子设备可以包括:收发器81、处理器82、存储器83。
处理器82执行存储器存储的计算机执行指令,使得处理器82执行上述实施例中的方案。处理器82可以是通用处理器,包括中央处理器CPU、网络处理器(network processor,NP)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器83通过***总线与处理器82连接并完成相互间的通信,存储器83用于存储计算机程序指令。
收发器81可以用于获取待运行任务和待运行任务的配置信息。
***总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。***总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccess memory,RAM),也可能还包括非易失性存储器(non-volatile memory)。
本申请实施例提供的电子设备,可以是上述实施例的终端设备。
本申请实施例还提供一种运行指令的芯片,该芯片用于执行上述实施例中模型训练方法的技术方案。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行上述实施例模型训练方法的技术方案。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,其存储在计算机可读存储介质中,至少一个处理器可以从计算机可读存储介质读取计算机程序,至少一个处理器执行计算机程序时可实现上述实施例中模型训练方法的技术方案。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电控单元或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (21)
1.一种模型训练方法,其特征在于,包括:
获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值;
通过所述第一训练样本对初始模型进行模型训练,得到中间模型;
根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值;
根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;
根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。
2.根据权利要求1所述的方法,其特征在于,根据所述多个第二训练样本对所述初始模型进行模型训练,得到目标模型,包括:
根据所述第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,所述样本输入数据包括N个历史时段对应的目标参数值、以及所述预设对象在所述N个历史时段的对象属性值,所述样本输出数据为所述预设对象在标注时段内的对象属性值,所述N个历史时段位于所述标注时段之前,所述N为正整数;
根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述初始模型进行模型训练,得到所述目标模型。
3.根据权利要求2所述的方法,其特征在于,根据所述多个第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,包括:
按照时段从前到后的顺序,对所述多个第二训练样本中的数据进行排序;
将排序后的第二训练样本中的第i至i+N个历史时段的对象属性值和目标参数值,确定为第i个样本输入数据,将排序后的第二训练样本中的第i+N+1个历史时段的对象属性值确定为第i个样本输出数据;
其中,所述i依次取1、2、……K-N-1,所述K为所述第二训练样本中包括的历史时段的数量。
4.根据权利要求2或3所述的方法,其特征在于,根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述初始模型进行模型训练,得到所述目标模型,包括:
在所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据中确定多个训练集、以及每个训练集对应的验证集,所述训练集包括所述多个样本输入数据中的部分样本输入数据、以及所述部分样本输入数据对应的部分样本输出数据,所述验证集为所述多个样本输入数据和多个样本输出数据中除所述训练集之外的数据;
根据所述多个训练集、以及每个训练集对应的验证集,对所述初始模型进行模型训练,得到所述目标模型。
5.根据权利要求4所述的方法,其特征在于,根据所述多个训练集、以及每个训练集对应的验证集,对所述初始模型进行模型训练,得到所述目标模型,包括:
针对任意一个训练集,根据所述训练集对所述初始模型进行模型训练,得到所述训练集对应的中间模型,并根据所述训练集对应的验证集对所述中间模型进行验证处理,得到所述中间模型的性能参数;
根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型;
根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述待选模型进行模型训练,得到所述目标模型。
6.根据权利要求5所述的方法,其特征在于,所述性能参数包括如下至少一种:损失值、准确率、召回率;根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型,包括:
针对任意一个中间模型,根据所述中间模型的性能参数,确定所述中间模型的性能指标值;
将性能指标值最高的中间模型,确定为所述待选模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,包括:
确定每个预设参数类型在所述中间模型中的权重值;
按照权重值从大到小的顺序,对所述多个预设参数类型进行排序处理;
将排序后的多个预设参数类型中的前M个预设参数类型,确定为所述多个目标参数类型。
8.根据权利要求1-7任一项所述的方法,其特征在于,根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型之后,还包括:
确定每个目标参数类型在所述目标模型中的权重值;
根据每个目标参数类型在所述目标模型中的权重值,生成输出信息,所述输出信息用于指示每个目标参数类型在所述目标模型中的权重值,所述输出信息为图片格式或者文本格式;
显示所述输出信息,或者向预设设备发送所述输出信息。
9.一种对象属性值确定方法,其特征在于,包括:
获取预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;
通过目标模型对预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值进行处理,得到所述预设对象在未来时段的对象属性值,其中,所述目标模型为通过权利要求1-8任一项所述的方法训练得到的。
10.一种模型训练装置,其特征在于,包括:
样本模块,用于获取第一训练样本,所述第一训练样本包括预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个参数值,所述多个参数值为多个预设参数类型对应的参数值;
预训练模块,用于通过所述第一训练样本对初始模型进行模型训练,得到中间模型;
确定模块,用于根据所述中间模型,在所述多个预设参数类型中确定多个目标参数类型,所述目标参数类型的参数值对所述对象属性值的影响程度大于或等于预设阈值;
生成模块,用于根据所述多个目标参数类型确定第二训练样本,所述第二训练样本包括所述预设对象在多个历史时段的对象属性值、以及每个历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;
训练模块,用于根据所述第二训练样本对所述初始模型进行模型训练,得到目标模型,所述目标模型用于确定所述预设对象在未来时段的对象属性值。
11.根据权利要求10所述的装置,其特征在于,
所述训练模块,具体用于根据所述第二训练样本,生成多个样本输入数据、以及每个样本输入数据对应的样本输出数据,所述样本输入数据包括N个历史时段对应的目标参数值、以及所述预设对象在所述N个历史时段的对象属性值,所述样本输出数据为所述预设对象在标注时段内的对象属性值,所述N个历史时段位于所述标注时段之前,所述N为正整数;
所述训练模块,具体还用于根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述初始模型进行模型训练,得到所述目标模型。
12.根据权利要求11所述的装置,其特征在于,
所述训练模块,具体用于按照时段从前到后的顺序,对所述多个第二训练样本中的数据进行排序;
所述训练模块,具体还用于将排序后的第二训练样本中的第i至i+N个历史时段的对象属性值和目标参数值,确定为第i个样本输入数据,将排序后的第二训练样本中的第i+N+1个历史时段的对象属性值确定为第i个样本输出数据;
其中,所述i依次取1、2、……K-N-1,所述K为所述第二训练样本中包括的历史时段的数量。
13.根据权利要求11或12所述的装置,其特征在于,
所述训练模块,具体用于在所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据中确定多个训练集、以及每个训练集对应的验证集,所述训练集包括所述多个样本输入数据中的部分样本输入数据、以及所述部分样本输入数据对应的部分样本输出数据,所述验证集为所述多个样本输入数据和多个样本输出数据中除所述训练集之外的数据;
所述训练模块,具体还用于根据所述多个训练集、以及每个训练集对应的验证集,对所述初始模型进行模型训练,得到所述目标模型。
14.根据权利要求13所述的装置,其特征在于,
所述训练模块,具体用于针对任意一个训练集,根据所述训练集对所述初始模型进行模型训练,得到所述训练集对应的中间模型,并根据所述训练集对应的验证集对所述中间模型进行验证处理,得到所述中间模型的性能参数;
所述训练模块,具体还用于根据每个训练集对应的中间模型的性能参数,在所述多个训练集对应的多个中间模型中,确定待选模型;
所述训练模块,具体还用于根据所述多个样本输入数据、以及每个样本输入数据对应的样本输出数据,对所述待选模型进行模型训练,得到所述目标模型。
15.根据权利要求14所述的装置,其特征在于,所述性能参数包括如下至少一种:损失值、准确率、召回率;
所述训练模块,具体用于针对任意一个中间模型,根据所述中间模型的性能参数,确定所述中间模型的性能指标值;
所述训练模块,具体还用于将性能指标值最高的中间模型,确定为所述待选模型。
16.根据权利要求10-15任一项所述的装置,其特征在于,所述装置还包括:
筛选模块,用于确定每个预设参数类型在所述中间模型中的权重值;
所述筛选模块,还用于按照权重值从大到小的顺序,对所述多个预设参数类型进行排序处理;
所述筛选模块,还用于将排序后的多个预设参数类型中的前M个预设参数类型,确定为所述多个目标参数类型。
17.根据权利要求10-16任一项所述的装置,其特征在于,所述装置还包括:
输出模块,用于确定每个目标参数类型在所述目标模型中的权重值;
所述输出模块,还用于根据每个目标参数类型在所述目标模型中的权重值,生成输出信息,所述输出信息用于指示每个目标参数类型在所述目标模型中的权重值,所述输出信息为图片格式或者文本格式;
所述输出模块,还用于显示所述输出信息,或者向预设设备发送所述输出信息。
18.一种对象属性值确定装置,其特征在于,包括:
应用模块,用于获取预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值,所述多个目标参数值为所述多个目标参数类型对应的参数值;
预测模块,用于通过目标模型对预设对象在多个历史时段内的对象属性值、以及各历史时段对应的多个目标参数值进行处理,得到所述预设对象在未来时段的对象属性值,其中,所述目标模型为通过权利要求10-17任一项所述的方法训练得到的。
19.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-9中任一项所述的方法。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154230.9A CN117196063A (zh) | 2023-09-07 | 2023-09-07 | 模型训练方法、对象属性值确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154230.9A CN117196063A (zh) | 2023-09-07 | 2023-09-07 | 模型训练方法、对象属性值确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196063A true CN117196063A (zh) | 2023-12-08 |
Family
ID=88988159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311154230.9A Pending CN117196063A (zh) | 2023-09-07 | 2023-09-07 | 模型训练方法、对象属性值确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196063A (zh) |
-
2023
- 2023-09-07 CN CN202311154230.9A patent/CN117196063A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275491A (zh) | 一种数据处理方法及装置 | |
CN108985489B (zh) | 一种风险预测方法、风险预测装置和终端设备 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN111338692B (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN112818218A (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
CN113468520A (zh) | 应用于区块链业务的数据入侵检测方法及大数据服务器 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN114240101A (zh) | 一种风险识别模型的验证方法、装置以及设备 | |
CN112966113A (zh) | 一种数据的风险防控方法、装置及设备 | |
CN112434884A (zh) | 一种供应商分类画像的建立方法及装置 | |
CN113554184A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN116012131A (zh) | 一种用于评估用户信贷风险的方法、***、装置以及介质 | |
CN116071077A (zh) | 一种违规账户的风险评估与识别方法及装置 | |
CN111582315A (zh) | 样本数据处理方法、装置及电子设备 | |
CN113010785B (zh) | 用户推荐方法及设备 | |
CN117196064A (zh) | 模型训练方法、对象属性值确定方法、装置、设备及介质 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN111160929A (zh) | 一种客户类型的确定方法及装置 | |
CN117196063A (zh) | 模型训练方法、对象属性值确定方法、装置、设备及介质 | |
CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
CN116167457A (zh) | 一种数据标注方法、装置、计算机设备和存储介质 | |
CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
CN113837863B (zh) | 一种业务预测模型创建方法、装置及计算机可读存储介质 | |
CN115953248B (zh) | 基于沙普利可加性解释的风控方法、装置、设备及介质 |
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 |