JP7304384B2 - モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 - Google Patents

Description

本出願の実施形態は、コンピュータ技術分野に関し、具体的には機械学習やビッグデータ処理などの人工知能技術分野に関し、特に、モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品に関する。

近年、機械学習の最も基本的なアルゴリズムとして、ロジスティック回帰（Logistic Regression、ＬＲ）モデルは、対象モデルの構築中に重要な役割を果たしている。

現在、ＬＲは、特徴量のエンジニアリング、特徴のスクリーニングにより、対象モデルのための入力の特徴を選別した後、入力の特徴に基づいて対象モデルを訓練して生成する。

本出願の実施形態は、モデルを生成するための方法、装置、機器、記憶媒体、及びコンピュータプログラム製品を提案した。

第１態様において、本出願の実施形態は、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得することと、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定することと、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得することと、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得することとを含むモデルを生成するための方法を提案する。

第２態様において、本出願の実施形態は、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得するように構成されたサンプル取得モジュールと、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定するように構成された第１の確定モジュールと、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得するように構成された第２の確定モジュールと、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得するように構成されたモデル訓練モジュールとを備えるモデルを生成するための装置を提案する。

第３態様において、本出願の実施形態は、少なくとも１つのプロセッサと、少なくとも１つのプロセッサと通信可能に接続されるメモリとを備えており、メモリには、少なくとも１つのプロセッサにより実行可能な指令が格納されており、前記指令が少なくとも１つのプロセッサにより実行されると、少なくとも１つのプロセッサに第１態様に記載の方法が実行される電子機器を提案する。

第４態様において、本出願の実施形態は、コンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、コンピュータ指令は、コンピュータに第１態様に記載の方法を実行させるために用いられる非一時的コンピュータ可読記憶媒体を提案する。

第５態様において、本出願の実施形態は、コンピュータプログラムを含むコンピュータプログラム製品であって、前記コンピュータプログラムがプロセッサにより実行されると、第１態様に記載の方法が実装されるコンピュータプログラム製品を提案する。

本出願の実施形態により提供されるモデルを生成するための方法、装置、機器、記憶媒体、及びコンピュータプログラム製品は、まず、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得した後、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定し、次に、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得し、最後に、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得する。従って、ＬＲモデルに基づいて対象モデルの入力の特徴を確定する場合に、大量の特徴量のエンジニアリング、特徴のスクリーニング及びモデル解釈の可能性への依存を避けたため、時間と人件費が節約された。

この部分で説明された内容は、本出願の実施形態のキーポイントまたは重要な特徴を限定することを意図したものではなく、本出願の範囲を限定するものでもないことを理解すべきである。本出願の他の特徴は、以下の明細書によって容易に理解されるようになる。

以下、添付図面を参照しながら非限定的な実施形態を詳細に説明することにより、本出願の他の特徴、目的及び利点はより明らかになる。添付図面は、本出願をよりよく理解するためのものであり、本出願を限定するものではない。

本出願が適用可能な例示的なシステムアーキテクチャを示す図である。 本出願に係るモデルを生成するための方法の一実施形態を示すフローチャートである。 本出願に係るモデルを生成するための方法の他の実施形態を示すフローチャートである。 本出願に係るモデルを生成するための方法のもう１つの実施形態を示すフローチャートである。 本出願の実施形態に係るモデルを生成するための方法を実装できるシーンを示す図である。 本出願に係るモデルを生成するための装置の一実施形態を示す概略構成図である。 本出願の実施形態に係るモデルを生成するための方法を実装するための電子機器のブロック図である。

以下、添付図面を参照しながら本出願の例示的な実施形態を説明し、理解に役立つために本出願の実施形態の様々な詳細が含まれているが、これらは例示的なものに過ぎないことを理解すべきである。従って、当業者であれば、ここで説明する実施形態に対して、本出願の範囲及び趣旨を逸脱することなく様々な変更や修正を行うことが可能であることを理解すべきである。同様に、明確かつ簡潔のために、以下の説明で公知の機能と構造の説明を省略する。

なお、矛盾しない場合、本出願の実施形態及び実施形態の特徴は互いに組み合わせてもよい。以下、添付図面を参照して実施形態により本出願を詳細に説明する。

図１では、本出願のモデルを生成するための方法又はモデルを生成するための装置の実施形態が適用可能な例示的なシステムアーキテクチャ１００を示した。

図１に示すように、システムアーキテクチャ１００は、端末装置１０１、１０２、１０３、ネットワーク１０４、及びサーバ１０５を含んでもよい。ネットワーク１０４は、端末装置１０１、１０２、１０３とサーバ１０５との間に通信リンクを提供するための媒体とされる。ネットワーク１０４は、例えば、有線、無線通信リンク、又は光ケーブルなどの様々な接続タイプを含んでもよい。

ユーザは、端末装置１０１、１０２、１０３を用いてネットワーク１０４を介してサーバ１０５とやりとりすることによって、メッセージを受信したり送信したりすることができる。端末装置１０１、１０２、１０３には、各種アプリケーション、例えば、各種クライアントアプリケーション、マルチパーティインタラクションアプリケーション、人工知能アプリケーションなどがインストールされてもよい。

端末装置１０１、１０２、１０３はハードウェアであってもよく、ソフトウェアであってもよい。端末装置１０１、１０２、１０３がハードウェアである場合、ドキュメント処理アプリケーションをサポートする各種電子機器であってもよく、スマート端末、タブレット型パソコン、ラップトップコンピュータ及びデスクトップコンピュータなどを含むが、これらに限定されない。端末装置１０１、１０２、１０３がソフトウェアである場合、前記電子機器にインストールされてもよい。例えば、分散サービスを提供するために用いられる複数のソフトウェア又はソフトウェアモジュールとして実装されてもよく、単一のソフトウェア又はソフトウェアモジュールとして実装されてもよい。ここでは、特に限定しない。

サーバ１０５は、端末装置１０１、１０２、１０３をサポートするバックグラウンドサーバのような各種サービスを提供するサーバであってもよい。バックグラウンドサーバは、受信された要求などのデータに対して解析などの処理を行って、処理結果を端末装置にフィードバックすることができる。

なお、サーバは、ハードウェアであってもよく、ソフトウェアであってもよい。サーバがハードウェアである場合、複数のサーバで構成された分散型サーバクラスタとして実装されてもよく、単一のサーバとして実装されてもよい。サーバがソフトウェアである場合、例えば、分散サービスを提供するために用いられる複数のソフトウェアまたはソフトウェアモジュールとして実装されてもよく、単一のソフトウェアまたはソフトウェアモジュールとして実装されてもよい。ここでは、特に限定しない。

実際に、本出願の実施形態により提供されるモデルを生成するための方法は、端末装置１０１、１０２、１０３又はサーバ１０５により実行されてもよく、モデルを生成するための装置は、端末装置１０１、１０２、１０３、又はサーバ１０５に構成されてもよい。

図１における端末装置、ネットワーク及びサーバの数は例示的なものに過ぎないことを理解すべきである。実装の必要性に応じて、任意の数の端末装置、ネットワーク及びサーバを備えてもよい。

次に、図２を参照されたい。図２では、本出願に係るモデルを生成するための方法の一実施形態のフロー２００を示した。該モデルを生成するための方法は以下のステップを含む。

ステップ２０１において、サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルを取得する。

本実施形態において、モデルを生成するための方法の実行主体（例えば、図１に示されたサーバ１０５）は、ローカルまたは端末装置（例えば、図１に示された端末装置１０１、１０２、１０３）から複数のサンプルリソースの特徴及びサンプルリソースの特徴に対応する複数のサンプルラベルを取得することができ、サンプルリソースのそれぞれは１つのサンプルラベルに対応する。前記サンプルリソースの特徴は、リソースに関連する特徴であってもよい。例えば、リソース交換頻度の特徴、取引リソースの特徴、リソース使用率（所定のリソースの使用回数／所定のリソースが受信された合計回数）、支払い情報に基づいて抽出された支払いの特徴、例えば、支払い金額の特徴、支払い頻度など、リソースに対するユーザの嗜好の特徴、リソースに対するユーザによる操作の特徴（クリック、フォロー、購入など）、ユーザ情報の特徴（年齢、性別など）である。

前記サンプルラベルは、手動ラベリングによるラベル、規則的なラベリングによるラベル（regular labeling label）、クラスタリングラベリングによるラベルを用いていてもよい。規則的なラベリングによるラベルは、フィルタリング条件（規則）を設定することにより、一部のデータにラベルを付けて、訓練セットを取得する。クラスタリングラベリングによるラベルは、特徴量のエンジニアリングの後に、クラスタリングの方法によって異なる種類のラベルを取得する。

なお、本実施形態は、「二項分類」の適用シーンに適用できる。例えば、貸付けの場合、ユーザの収入、預金、職業、年齢などの要素に基づいて解析し、貸付けの可否を判断することができる。メールの場合は、メールの内容に基づいて該メールがスパムメールであるか否かを判断する。商品又は広告を推薦する場合には、商品又は広告に対するユーザの嗜好、商品又は広告に対するユーザによる操作、ユーザ情報などに基づいて、ユーザに商品又は広告を推薦することができる。

ステップ２０２：サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定する。

本実施形態において、前記実行主体は、サンプルリソースの特徴及び／又はサンプルラベルに基づいて、対応するスクリーニング因子をマッチングさせることができ、又は、サンプルリソースの特徴及びサンプルラベルに基づいてモデルを訓練し、該モデルの訓練プロセスに関連するパラメータによって、第１のスクリーニング因子を確定することができる。前記第１のスクリーニング因子は、複数のサンプルリソースの特徴から第１のリソースの特徴を選別するために用いられ得る。

サンプルリソースの特徴及び／又はサンプルラベルに基づいて、対応するスクリーニング因子をマッチングする前に、該モデルを生成するための方法は、サンプルリソースの特徴及び／又はサンプルラベルと対応関係を有するスクリーニング因子を予め確立することをさらに含んでもよい。

本実施形態において、前記実行主体は、第１のスクリーニング因子に基づいて、複数のサンプルリソースの特徴から第１のリソースの特徴を選別することができ、又は、前記実行主体は、複数のサンプルリソースの特徴をソートした後、複数のソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を選別することができる。

ステップ２０３：予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得する。

本実施形態において、前記実行主体は、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得することができる。前記予め訓練されたＬＲモデルに関連付けられるパラメータは、例えば、変数の係数、情報の価値、モデル安定性評価指標、分散拡大係数などの、ＬＲモデルを予め訓練するプロセスに係るパラメータであってもよい。

本実施形態において、前記実行主体は、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を選別することができる。前記第２のスクリーニング因子は、第１のリソースの特徴から第２のリソースの特徴を選別するために用いられることができる。

本実施形態において、前記実行主体は、第２のリソースの特徴を対象モデルの特徴とするか、又は、第２のリソースの特徴を処理し、処理されたリソースの特徴を取得した後、処理されたリソースの特徴を対象モデルの特徴とすることができ、例えば、第２のリソースの特徴に対してビニング処理を行い、ビニングされた特徴を取得することができる。

ステップ２０４：対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得する。

本実施形態において、前記実行主体は、対象モデルの特徴及び対象モデルの特徴に対応するサンプルラベルを取得した後、対象モデルの特徴及び対象モデルの特徴に対応するサンプルラベルに基づいて機械学習モデルを訓練して、対象モデルを取得することができる。訓練の際、実行主体は、対象モデルの特徴を対象モデルの入力とし、入力された対象モデルの特徴に対応するサンプルラベルを所望の出力として、対象モデルを取得することができる。前記機械学習モデルは、従来の技術または将来開発される技術における確率モデル、分類モデル又は他の分類器などであってもよく、例えば、機械学習モデルは、決定木モデル（ＸＧＢｏｏｓｔモデル）、ロジスティック回帰モデル（ＬＲモデル）、ディープニューラルネットワーク（ＤＮＮ）モデル、勾配ブースティング決定木モデル（Gradient Boosting Decision Tree Model、ＧＢＤＴモデル）のいずれか１つを含んでもよい。

本出願の実施形態により提供されるモデルを生成するための方法は、まず、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得した後、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定し、次に、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得し、最後に、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得する。従って、ＬＲモデルに基づいて対象モデルの入力の特徴を確定する場合に、大量の特徴量のエンジニアリング、特徴のスクリーニング及びモデル解釈の可能性への依存を避けたため、時間と人件費が節約された。

本実施形態のいくつかのオプション的な実施形態において、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定することは、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルに基づいて、決定木モデル（ＸＧＢｏｏｓｔモデル）を訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得することと、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、第１のスクリーニング因子を確定することとを含む。

本実施形態において、前記実行主体は、サンプルリソースの特徴及びサンプルラベルに基づいてＸＧＢｏｏｓｔモデルを訓練するプロセスに係るパラメータに基づいて第１のスクリーニング因子を確定することができる。前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ、相関係数などのＸＧＢｏｏｓｔモデルの訓練中に係るパラメータであってもよい。

本実施形態において、前記実行主体は、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得した後、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルに基づいて、ＸＧＢｏｏｓｔモデルを訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得することができる。訓練において、実行主体は、サンプルリソースの特徴をＸＧＢｏｏｓｔモデルの入力とし、入力されたサンプルリソースの特徴に対応するサンプルラベルを所望の出力として、訓練済みＸＧＢｏｏｓｔモデルを取得することができる。

本実施形態において、サンプルリソースの特徴及びサンプルラベルに基づいてＸＧＢｏｏｓｔモデルを訓練するプロセスに係るパラメータに基づいて、第１のスクリーニング因子を確定する。

本実施形態のいくつかのオプション的な実施形態において、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、第１のスクリーニング因子を確定することは、カバレッジ及び／又は相関係数に基づいて、第１のスクリーニング因子を確定することを含む。

本実施形態において、前記実行主体は、カバレッジ（coverage）及び相関係数に基づいて第１のスクリーニング因子を確定することができ、または、前記実行主体は、カバレッジに基づいて第１のスクリーニング因子を確定することができ、もしくは、前記実行主体は、相関係数に基づいて第１のスクリーニング因子を確定することができる。前記カバレッジ＝（サンプル数－特徴が欠けているサンプル数）／サンプル数であり、サンプル数は、ＸＧＢｏｏｓｔモデルの訓練プロセスに係るすべてのサンプル数であってもよく、特徴が欠けているサンプル数は、すべてのサンプルの中で特徴が欠けているサンプルが占める数であってもよい。相関性は、サンプルリソースの特徴と、対応するサンプルラベルとの相関係数であってもよい。

なお、カバレッジ及び相関係数に基づいて第１のスクリーニング因子を確定する場合に、ユーザが特徴のスクリーニングニーズに応じてカバレッジ及び相関係数に対応する重みを設定した後、加重合計を行って、第１のスクリーニング因子を取得することもできる。

本実施形態において、カバレッジ（coverage）及び／又は相関係数（cor）に基づいて、第１のスクリーニング因子を確定する。

本実施形態のいくつかのオプション的な実施形態において、該モデルを生成するための方法は、サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得することをさらに含み、サンプルリソースの特徴から第１のリソースの特徴を確定することは、第１のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定することを含む。

本実施形態において、前記実行主体は、複数のサンプルリソースの特徴から第１のリソースの特徴を確定する前に、例えば、特徴重要性などの複数のサンプルリソースの特徴をソートした後、複数のソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定することができる。前記第１のリソースの特徴は、サンプルリソースの特徴から第１のスクリーニング因子に基づいて選別された一部のサンプルリソースの特徴であってもよい。前記所定数のサンプルリソースの特徴は、対象モデルの性能によって設定されてもよく、又はユーザにより設定されてもよい。例えば、トップ１０位にソートされるサンプルリソースの特徴である。

本実施形態において、第１のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定することができる。

本実施形態のいくつかのオプション的な実施形態において、サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得することは、サンプルリソースの特徴の特徴重要性に基づいて、サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得することを含む。

本実施形態において、まず、複数のサンプルリソースの特徴のうちの各サンプルリソースの特徴の特徴重要性を計算した後、各サンプルリソースの特徴の特徴重要性に基づいて、複数のサンプルリソースの特徴をソートすることができる。前記特徴重要性は、ｗｅｉｇｈｔ（重み）＊ｇａｉｎ（ゲイン）により計算して得られることができる。

具体的な例示において、ｗｅｉｇｈｔ＊ｇａｉｎ＞１０、ｃｏｖｅｒａｇｅ＞５％、ｃｏｒ＜０．７に基づいて、複数のサンプルリソースの特徴から第１のリソースの特徴を選別する。

本実施形態において、サンプルリソースの特徴の特徴重要性によって、サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴を第１のリソースの特徴の候補特徴とする。

本実施形態のいくつかのオプション的な実施形態において、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定する前に、該モデルを生成するための方法は、第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルに基づいて、前記ＬＲモデルを訓練して、前記予め訓練されたＬＲモデルを取得することをさらに含む。

本実施形態において、前記実行主体は、第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルを取得した後、第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルに基づいて前記予め訓練されたＬＲモデルを訓練して得ることができる。訓練中、実行主体は、第１のリソースの特徴をＬＲモデルの入力とし、入力された第１のリソースの特徴に対応するサンプルラベルを所望の出力として、前記予め訓練されたＬＲモデルを取得することができる。

本実施形態において、第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルに基づいて前記予め訓練されたＬＲモデルを訓練して得ることができる。

本実施形態のいくつかのオプション的な実施形態において、前記予め訓練されたＬＲモデルに関連付けられるパラメータは、変数の係数（coefficient、ｃｏｅｆ）、Ｐ値、情報の価値（Information Value、ＩＶ）、モデル安定性評価指標（Population Stability Index、ＰＳＩ）、分散拡大係数（variance inflation factor、ＶＩＦ）の少なくとも１つを含み、Ｐ値は、予め訓練されたＬＲモデルのテスト結果を判定するパラメータである。

本実施形態において、前記実行主体は、前記予め訓練されたＬＲモデルに関連付けられるパラメータが、変数の係数（coefficient、ｃｏｅｆ）、Ｐ値、情報の価値（Information Value、ＩＶ）、モデル安定性評価指標（Population Stability Index、ＰＳＩ）、分散拡大係数（variance inflation factor、ＶＩＦ）の少なくとも１つを含むことに基づいて、第２のスクリーニング因子を確定することができ、Ｐ値が、前記予め訓練されたＬＲモデルのテスト結果を判定するパラメータである。前記ＰＳＩは、テストサンプル及びモデル開発サンプルスコアの分布の違いを評価するために用いられることができる。前記ＶＩＦは、多重線形ＬＲモデルのマルチ（多重）共線性の重大度を評価するために用いられることができる。前記ＩＶは、独立変数の予測能力を評価するために用いられることができ、ＩＶの取り得る値の選別範囲は、経験に基づいて設定されてもよく、必要に応じてユーザにより設定されてもよい。

具体的な例示において、ｃｏｅｆ＞０、Ｐ値＜０．０５、ＩＶ＞０．５、ＰＳＩ＜０．０５、ＶＩＦ＜５に基づいて、第２のスクリーニング因子を確定する。

本実施形態において、前記予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定することができる。

本実施形態のいくつかのオプション的な実施形態において、該モデルを生成するための方法は、グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの１つに基づいて、対象モデルのハイパーパラメータを調整することをさらに含む。

前記ハイパーパラメータは、機械学習モデルに基づいて対象モデルを訓練する前に設定されたパラメータであってもよく、ハイパーパラメータは、機械学習モデルに基づいて対象モデルを訓練するプロセスにおいて取得されたパラメータではない。

本実施形態において、対象モデルの反復効率を向上させるために、グリッドサーチ、ランダムサーチ又はベイズ最適化によりハイパーパラメータを最適化して、最適な１セットのハイパーパラメータを選別する。

本実施形態のいくつかのオプション的な実施形態において、サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの１つを含む。

本実施形態において、サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、又はサンプル音声の特徴のうちのいずれか１つを含むことができる。前記サンプル画像の特徴は、画像形式で表示されるサンプルリソースの特徴であってもよい。前記サンプルテキストの特徴は、テキスト形式で表示されるサンプルリソースの特徴であってもよい。前記サンプル音声の特徴は、音声形式で表示されるサンプルリソースの特徴であってもよい。

本実施形態において、取得した対象モデルがサンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴を正確に予測できるように、画像、テキスト、音声などの観点から対応するサンプルリソースの特徴を取得することができる。

図３を参照されたい。図３では、本出願に係るモデルを生成するための方法の他の実施形態のフロー３００を示した。該モデルを生成するための方法はステップ３０１～３０６を含む。

ステップ３０１：サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルを取得する。

本実施形態において、ステップ３０１の具体的な操作は、図２に示された実施形態におけるステップ２０１において詳細に説明したので、ここでは説明を省略する。

ステップ３０２：サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルに基づいて、ＸＧＢｏｏｓｔモデルを訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得する。

本実施形態において、モデルを生成するための方法の実行主体（例えば、図１におけるサーバ１０５）は、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得した後、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルに基づいてＸＧＢｏｏｓｔモデルを訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得することができる。訓練において、実行主体は、サンプルリソースの特徴をＸＧＢｏｏｓｔモデルの入力とし、入力されたサンプルリソースの特徴に対応するサンプルラベルを所望の出力として、訓練済みＸＧＢｏｏｓｔモデルを取得することができる。

ステップ３０３：訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいてサンプルリソースの特徴から第１のリソースの特徴を確定する。

本実施形態において、ステップ３０３の具体的な操作は、図２に示された実施形態におけるステップ２０２において詳細に説明したので、ここでは説明を省略する。

ステップ３０４：第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルに基づいて、ＬＲモデルを訓練して得る。

本実施形態において、前記実行主体は、第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルを取得した後、第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルに基づいてＬＲモデルを訓練して得ることができる。訓練において、実行主体は、第１のリソースの特徴をＬＲモデルの入力とし、入力された第１のリソースの特徴に対応するサンプルラベルを所望の出力として、ＬＲモデルを取得することができる。

ステップ３０５：予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得する。

本実施形態において、ステップ３０５の具体的な操作は、図２に示された実施形態におけるステップ２０３において詳細に説明したので、ここでは説明を省略する。

ステップ３０６：対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得する。

本実施形態において、ステップ３０６の具体的な操作は、図２に示された実施形態におけるステップ２０４において詳細に説明したので、ここでは説明を省略する。

図３から分かるように、図２に対応する実施形態と比べて、本実施形態におけるモデルを生成するための方法のフロー３００は、第１のスクリーニング因子及び第２のスクリーニング因子を確定するステップを強調した。従って、本実施形態で説明した構成は、対象モデルの特徴の精度を向上させることにより、対象モデルの精度が向上された。

本実施形態のいくつかのオプション的な実施形態において、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、第１のスクリーニング因子を確定することは、カバレッジ及び／又は相関係数に基づいて、第１のスクリーニング因子を確定することを含む。

本実施形態において、前記実行主体は、カバレッジ（coverage）及び相関係数に基づいて第１のスクリーニング因子を確定することができ、または、前記実行主体は、カバレッジに基づいて第１のスクリーニング因子を確定することができ、もしくは、前記実行主体は、相関係数に基づいて第１のスクリーニング因子を確定することができる。前記カバレッジ＝（サンプル数－特徴が欠けているサンプル数）／サンプル数であり、サンプル数は、ＸＧＢｏｏｓｔモデルの訓練プロセスに係るすべてのサンプルの数であってもよく、特徴が欠けているサンプル数は、すべてのサンプルの中で特徴が欠けているサンプルが占める数であってもよい。相関性は、サンプルリソースの特徴と、対応するサンプルラベルとの相関係数であってもよい。

なお、カバレッジ及び相関係数に基づいて第１のスクリーニング因子を確定する場合に、ユーザが特徴のスクリーニングニーズに応じてカバレッジ及び相関係数に対応する重みを設定した後、加重合計を行って、第１のスクリーニング因子を取得することもできる。

本実施形態において、カバレッジ（coverage）及び／又は相関係数（cor）に基づいて、第１のスクリーニング因子を確定する。

本実施形態のいくつかのオプション的な実施形態において、ＬＲモデルに関連付けられるパラメータは、変数の係数（coefficient、ｃｏｅｆ）、Ｐ値、情報の価値（Information Value、ＩＶ）、モデル安定性評価指標（Population Stability Index、ＰＳＩ）、分散拡大係数（variance inflation factor、ＶＩＦ）のうちの少なくとも１つを含み、Ｐ値は、予め訓練されたＬＲモデルのテスト結果を判定するパラメータである。

本実施形態において、前記実行主体は、ＬＲモデルに関連付けられるパラメータが、変数の係数（coefficient、ｃｏｅｆ）、Ｐ値、情報の価値（Information Value、ＩＶ）、モデル安定性評価指標（Population Stability Index、ＰＳＩ）、分散拡大係数（variance inflation factor、ＶＩＦ）の少なくとも１つを含むことに基づいて、第２のスクリーニング因子を確定することができ、Ｐ値が、予め訓練されたＬＲモデルのテスト結果を判定するパラメータである。前記ＰＳＩは、テストサンプル及びモデル開発サンプルスコアの分布の違いを評価するために用いられることができる。前記ＶＩＦは、多重線形ＬＲモデルのマルチ（多重）共線性の重大度を評価するために用いられることができる。前記ＩＶは、独立変数の予測能力を評価するために用いられることができ、ＩＶの取り得る値の選別範囲は、経験に基づいて設定されてもよく、必要に応じてユーザにより設定されてもよい。

具体的な例示において、ｃｏｅｆ＞０、Ｐ＜０．０５、ＩＶ＞０．５、ＰＳＩ＜０．０５、ＶＩＦ＜５に基づいて、第２のスクリーニング因子を確定する。前記ｃｏｅｆ、Ｐ、ＩＶ、ＰＳＩ及びＶＩＦの取り得る値の範囲は、訓練すべき対象モデルの認識精度によって設定されることができる。

本実施形態において、ＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定することができる。

図４を参照されたい。図４では、本出願に係るモデルを生成するための方法のもう１つの実施形態のフロー４００を示した。該モデルを生成するための方法はステップ４０１～４０６を含む。

ステップ４０１：サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルを取得する。

ステップ４０２：サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルに基づいて、ＸＧＢｏｏｓｔモデルを訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得する。

ステップ４０３において、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定する。

ステップ４０４：第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルに基づいて、ＬＲモデルを訓練して、予め訓練されたＬＲモデルを取得する。

ステップ４０５：予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得する。

本実施形態において、ステップ４０１～４０５の具体的な操作は、図３に示された実施形態におけるステップ３０１～３０５において詳細に説明したので、ここでは説明を省略する。

ステップ４０６：第２のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定する。

本実施形態において、モデルを生成するための方法の実行主体（例えば、図１に示されたサーバ１０５）は、第２のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得した後、ビニングされた各リソース特徴に対応する証拠の重みを確定する。前記ビニングは、等頻度ビニング（equal frequency binning）、等間隔ビニング（equal-distance binning）、カイ二乗ビニング（chi-square binning）の１つを含むことができる。

前記証拠の重み（weight of evidence、ＷＯＥ）は、正常サンプル（Good）と不良サンプル（異常サンプル）（Bad）の分布の差を評価する方法であってもよく、該ＷＯＥは、下記の式で定義されることができる。

ＷＯＥ＝ｌｎ（Ｄｉｓｔｒ Ｇｏｏｄ／Ｄｉｓｔｒ Ｂａｄ）

式中、Ｄｉｓｔｒ Ｇｏｏｄは正常サンプルで、Ｄｉｓｔｒ Ｂａｄは不良サンプルである。

なお、モデルの構築プロセスにおいて、連続変数（即ち、第２のリソースの特徴）を離散化する必要があり、離散化された特徴に基づいてモデルを訓練して、訓練済みモデルを取得し、該訓練済みモデルは、性能がより安定であり、過適合のリスクが低減された。

ステップ４０７：すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を対象モデルの特徴とする。

本実施形態において、前記実行主体は、すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を対象モデルの特徴とすることができる。前記変化パターンは、すべてのビニングされた特徴に対応する証拠の重みの逓増、逓減、増加後に減少、減少後に増加、増加後に減少し再度増加、減少後に増加し再度減少することなどであってもよい。

ステップ４０８において、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得する。

本実施形態において、ステップ４０８の具体的な操作は、図３に示された実施形態におけるステップ３０６において詳細に説明したので、ここでは説明を省略する。

図４から分かるように、図３に対応する実施形態と比べて、本実施形態におけるモデルを生成するための方法のフロー４００は、第２のリソースの特徴をビニングするステップを強調した。従って、本実施形態で記述した構成は、第２のリソースの特徴の単調性（singleness）を向上させることにより、対象モデルの性能がより安定になり、対象モデルの過適合のリスクが低減された。

本実施形態のいくつかのオプション的な実施形態において、該モデルを生成するための方法は、すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算することをさらに含み、すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を対象モデルの特徴とすることは、マージされたリソースの特徴の証拠の重みの変化パターンが所定の規則を満たすことに応答して、マージされたリソースの特徴を対象モデルの特徴とすることを含む。

本実施形態において、すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たさない場合、ビニングされたリソースの特徴をマージした後、マージされたリソースの特徴に対応する証拠の重みが所定の規則を満たすか否かを判断し、依然として所定の規則を満たさない場合には、マージされたリソースの特徴を対象モデルの特徴とするまで、ビニングされたリソースの特徴を再度マージし、マージされたリソースの特徴に対応する証拠の重みが所定の規則を満たすか否かを再度判断し、それ以外の場合は、ビニングされたリソースの特徴のマージを続ける。

具体的な例示において、第２のリソースの特徴をビニングすることは、以下のステップを含むことができる。（１）等頻度ビニング、例えば、５～８のビンに分割する。（２）各ビンのＷＯＥを計算する。（３）ＷＯＥ値が逓増などの所定の規則を満たす場合、特徴の符号化を終了し、該各ビンのリソースの特徴を対象モデルの特徴とする。（４）ＷＯＥ値が所定の規則を満たさない場合は、ビンをマージし、例えば、年齢範囲１５～２４と２４～３０を１５～３０にマージした後、ステップ（２）及びステップ（３）を実行する。

本実施形態において、第２のリソースの特徴をビニングし、ビニングされたリソースの特徴に対応する証拠の重みを計算することによって、対象モデルの特徴を選択することができるため、該対象モデルの特徴の単調性を向上させることができる。

本実施形態のいくつかのオプション的な実施形態において、所定の規則は、証拠の重みの逓増、証拠の重みの逓減、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの１つを含む。

本実施形態において、所定の規則は、証拠の重みの逓増、証拠の重みの逓減、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのいずれか１つを含む。前記証拠の重みの逓増は、すべてのビニングされたリソースの特徴に対応する証拠の重みが順次増加することであってもよい。

本実施形態において、前記所定の規則に従って、対象モデルの特性を選択することができ、該対象モデルの特徴の単調性が向上された。

理解を容易にするために、以下、本出願の実施形態のモデルを生成するための方法を実装できる適用シーンを提供する。図５に示すように、サーバ５０２は、端末装置５０１からサンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得し（ステップ５０３）、その後、サーバ５０２は、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定し（ステップ５０４）、その後、サーバ５０２は、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得し（ステップ５０５）、最後に、サーバ５０２は、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得する（ステップ５０６）。

さらに、図６を参照されたい。前記各図に示された方法の実装として、本出願は、モデルを生成するための装置の一実施形態を提供し、該装置の実施形態は、図２に示される方法の実施形態に対応しており、該装置は具体的には様々な電子機器に適用できる。

図６に示すように、本実施形態のモデルを生成するための装置６００は、サンプル取得モジュール６０１、第１の確定モジュール６０２、第２の確定モジュール６０３及びモデル訓練モジュール６０４を備えることができる。サンプル取得モジュール６０１は、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得するように構成され、第１の確定モジュール６０２は、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定するように構成され、第２の確定モジュール６０３は、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得するように構成され、モデル訓練モジュール６０４は、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得するように構成される。

本実施形態において、モデルを生成するための装置６００におけるサンプル取得モジュール６０１、第１の確定モジュール６０２、第２の確定モジュール６０３、及びモデル訓練モジュール６０４の具体的な処理及びその技術的効果は、図２の対応する実施形態におけるステップ２０１～２０４の関連説明をそれぞれ参照されたい。ここでは、説明を省略する。

本実施形態のいくつかのオプション的な実施形態において、第１の確定モジュール６０２は、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルに基づいてＸＧＢｏｏｓｔモデルを訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得するように構成されたモデル取得ユニット（図示せず）と、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、第１のスクリーニング因子を確定するように構成された因子確定ユニット（図示せず）とを備える。

本実施形態のいくつかのオプション的な実施形態において、訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、因子確定ユニットは、さらに、カバレッジ及び／又は相関係数に基づいて、第１のスクリーニング因子を確定するように構成される。

本実施形態のいくつかのオプション的な実施形態において、該モデルを生成するための装置は、サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得するように構成された特徴ソートモジュール（図示せず）をさらに備えており、第１の確定モジュール６０２は、さらに、第１のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定するように構成される。

本実施形態のいくつかのオプション的な実施形態において、特徴ソートモジュールは、さらに、サンプルリソースの特徴の特徴重要性に基づいて、サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得するように構成される。

本実施形態のいくつかのオプション的な実施形態において、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定する前に、該モデルを生成するための装置は、第１のリソースの特徴及び第１のリソースの特徴に対応するサンプルラベルに基づいて、前記ＬＲモデルを訓練して、前記予め訓練されたＬＲモデルを取得するように構成されたモデル取得モジュール（図示せず）をさらに備える。

本実施形態のいくつかのオプション的な実施形態において、前記予め訓練されたＬＲモデルに関連付けられるパラメータは、変数の係数、Ｐ値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも１つを含み、Ｐ値は、前記予め訓練されたＬＲモデルのテスト結果を判定するパラメータである。

本実施形態のいくつかのオプション的な実施形態において、該モデルを生成するための装置は、第２のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定するように構成された第１の処理モジュール（図示せず）と、すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を対象モデルの特徴とするように構成された対象モデルの特徴確定モジュールと、をさらに備える。

本実施形態のいくつかのオプション的な実施形態において、該モデルを生成するための装置は、すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算するように構成された第２の処理モジュール（図示せず）をさらに備えており、対象モデルの特徴確定モジュールは、さらに、マージされたリソースの特徴の証拠の重みの変化パターンが所定の規則を満たすことに応答して、マージされたリソースの特徴を対象モデルの特徴とするように構成される。

本実施形態のいくつかのオプション的な実施形態において、所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの１つを含む。

本実施形態のいくつかのオプション的な実施形態において、該モデルを生成するための装置は、グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの１つに基づいて、対象モデルのハイパーパラメータを調整するように構成されたパラメータ調整モジュール（図示せず）をさらに備える。

本実施形態のいくつかのオプション的な実施形態において、サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの１つを含む。

本出願の実施形態によれば、本出願は、電子機器、可読記憶媒体、及びコンピュータプログラム製品をさらに提供する。

図７では、本出願の実施形態を実施できる電子機器７００の例示的なブロック図を示した。電子機器は、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレーム、及びその他の適切なコンピュータなどの各種形式のデジタルコンピュータを表す。電子機器は、携帯情報端末、携帯電話、スマートフォン、ウェアラブルデバイス、及び他の類似のコンピューティングデバイスなどの各種形式のモバイルデバイスを表すこともできる。本明細書に示されたコンポーネント、それらの接続と関係、及びそれらの機能は単なる例示に過ぎず、本明細書で記述され、及び／又は要求された本出願の実装を制限するものではない。

図７に示すように、電子機器７００は、読み出し専用メモリ（ＲＯＭ）７０２に格納されているコンピュータプログラム又は記憶ユニット７０８からランダムアクセスメモリ（ＲＡＭ）７０３にロードされたコンピュータプログラムに基づいて、様々な適切な動作及び処理を実行することができるコンピューティングユニット７０１を備える。ＲＡＭ７０３には、電子機器７００の動作に必要な様々なプログラム及びデータがさらに格納されている。コンピューティングユニット７０１、ＲＯＭ７０２及びＲＡＭ７０３は、バス７０４を介して互いに接続される。入／出力（Ｉ／Ｏ）インターフェース７０５もバス７０４に接続される。

電子機器７００における、Ｉ／Ｏインターフェース７０５に接続される複数のコンポーネントは、キーボード、マウスなどの入力ユニット７０６と、様々なタイプの表示装置およびスピーカなどの出力ユニット７０７と、磁気ディスク、光ディスクなどの記憶ユニット７０８と、ネットワークカード、モデム、無線通信トランシーバなどの通信ユニット７０９とを備える。通信ユニット７０９は、電子機器７００が、インターネットなどのコンピュータネットワーク及び／又は各種電気通信ネットワークを介して他の機器と情報／データを交換することを可能にする。

コンピューティングユニット７０１は、処理及びコンピューティング能力を有する様々な汎用及び／又は特定用途向け処理コンポーネントとすることができる。コンピューティングユニット７０１のいくつかの例示は、中央処理ユニット（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、様々な専用人工知能（ＡＩ）コンピューティングチップ、機械学習モデルアルゴリズムを実行する様々なコンピューティングユニット、デジタル信号処理プロセッサ（ＤＳＰ）、及び任意の適切なプロセッサ、コントローラ、マイクロコントローラなどを含むが、これらに限定されない。コンピューティングユニット７０１は、例えば、モデルを生成するための方法などのような上述した様々な方法及び処理を実行する。例えば、いくつかの実施形態では、モデルを生成するための方法は、記憶ユニット７０８などの機械可読媒体に有形に含まれているコンピュータソフトウェアプログラムとして実装され得る。いくつかの実施形態において、コンピュータプログラムの一部または全部は、ＲＯＭ７０２及び／又は通信ユニット７０９を介して電子機器７００にロード及び／又はインストールされてもよい。コンピュータプログラムがＲＡＭ７０３にロードされ、コンピューティングユニット７０１によって実行されると、上述したモデルを生成するための方法の１つまたは複数のステップを実行することができる。代替的に、他の実施形態では、コンピューティングユニット７０１は、他の任意の適切な形態によって（例えば、ファームウェアによって）モデルを生成するための方法を実行するように構成されてもよい。

本明細書で記述されたシステム及び技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け標準製品（ＡＳＳＰ）、システムオンチップシステム（ＳＯＣ）、ロードプログラマブルロジックデバイス（ＣＰＬＤ）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はこれらの組み合わせによって実装され得る。これらの様々な実施形態は、１つ又は複数のコンピュータプログラムに実装されてもよく、該１つ又は複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを含むプログラム可能なシステム上で実行され、及び／又は解釈されてもよく、該プログラマブルプロセッサは、特定用途又は汎用のプログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータ及び指令を受信し、データ及び指令を該記憶システム、該少なくとも１つの入力装置、及び該少なくとも１つの出力装置に伝送することができる。

本出願の方法を実施するためのプログラムコードは、１つまたは複数のプログラミング言語の任意の組み合わせで作成してもよい。これらのプログラムコードは、汎用コンピュータ、専用コンピュータ、又は他のプログラマブルデータ処理装置のプロセッサ又はコントローラに提供されることができ、これにより、プログラムコードがプロセッサ又はコントローラによって実行されると、フローチャート及び／又はブロック図において特定される機能又は操作が実施される。プログラムコードは、完全にマシン上で実行されてもよく、部分的にマシン上で実行されてもよく、スタンドアロンソフトウェアパッケージとして一部がマシン上で実行され一部がリモートマシン上で実行されてもよく、或いは完全にリモートマシン又はサーバ上で実行されてもよい。

本出願の明細書において、機械可読媒体は、コマンド実行システム、装置又はデバイスに用いられるか、あるいはコマンド実行システム、装置又はデバイスに組み合わせて用いられるプログラムを含むか又は格納する有形媒体であってもよい。機械可読媒体は、機械可読信号媒体又は機械可読記憶媒体であってもよい。機械可読媒体は、電気的、磁気的、光学的、電磁的、赤外線の、又は半導体システム、装置、又はデバイス、あるいは前記任意の適切な組み合わせを含むが、これらに限定されない。機械可読記憶媒体のより具体的な例示として、１本又は複数本の導線を有する電気接続、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ケーブル、携帯可能なコンパクトディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、光記憶装置、磁気記憶装置、又は前記の任意の適切な組み合わせを含む。

ユーザとのやりとりをするために、ここで記述されるシステム及び技術は、ユーザに情報を表示するための表示装置（例えば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、ユーザが入力をコンピュータに提供するためのキーボード及びポインティング装置（例えば、マウス又はトラックボール）とを備えるコンピュータ上で実施されてもよい。他の種類の装置はユーザとのやりとりをするために用いられてもよい。例えば、ユーザに提供されるフィードバックは、任意の形式の感覚フィードバック（例えば、視覚的フィードバック、聴覚的フィードバック、又は触覚的フィードバック）であってもよく、任意の形式（音響入力、音声入力又は触覚入力を含む）でユーザからの入力を受信することができる。

ここで記述されるシステム及び技術は、バックエンドコンポーネントを含むコンピューティングシステム（例えば、データサーバとして）、又はミドルウェアコンポーネントを含むコンピューティングシステム（例えば、アプリケーションサーバ）、又はフロントエンドコンポーネントを含むコンピューティングシステム（例えば、グラフィカルユーザインターフェース又はウェブブラウザを有するユーザコンピュータであって、ユーザが該グラフィカルユーザインターフェース又は該ウェブブラウザを介して、ここで記述されたシステム及び技術の実施形態とやりとりすることができるユーザコンピュータ）、又はこれらのバックエンドコンポーネント、ミドルウェアコンポーネント、又はフロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムにおいて実施されてもよい。任意の形式又は媒体のデジタルデータ通信（例えば、通信ネットワーク）によってシステムのコンポーネントを相互接続することができる。通信ネットワークの例としては、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）及びインターネットが挙げられる。

コンピュータシステムは、クライアント及びサーバを含むことができる。一般的に、クライアントとサーバとは互いに離れており、通常は通信ネットワークを介してやりとりする。それぞれのコンピュータで実行され且つ互いにクライアントとサーバとの関係を持つコンピュータプログラムによって、クライアントとサーバとの関係が構築される。

人工知能とは、人間の思考ルーチンや知的な行為（例えば、学習、推論、思考、計画など）をコンピュータに模倣させることを研究する学問であって、ハードウェアレベルの技術とソフトウェアレベルの技術の両方がある。人工知能ハードウェア技術には、通常、センサ、専用人工知能チップ、クラウドコンピューティング、分散ストレージ、ビッグデータ処理などの技術が含まれている。人工知能ソフトウェア技術には、主にコンピュータビジョン技術、音声認識技術、自然言語処理技術及び機械学習／深層学習、ビッグデータ処理技術、知識グラフ技術などが含まれている。

本出願の技術案によれば、まず、サンプルリソースの特徴及びサンプルリソースの特徴に対応するサンプルラベルを取得した後、サンプルリソースの特徴及びサンプルラベルに基づいて、第１のスクリーニング因子を確定し、第１のスクリーニング因子に基づいて、サンプルリソースの特徴から第１のリソースの特徴を確定した後、予め訓練されたＬＲモデルに関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、第２のスクリーニング因子に基づいて、第１のリソースの特徴から第２のリソースの特徴を確定し、第２のリソースの特徴に基づいて対象モデルの特徴を取得し、最後に、対象モデルの特徴を対象モデルの入力とし、対象モデルの特徴に対応するサンプルラベルを対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得する。従って、ＬＲモデルに基づいて対象モデルの入力の特徴を確定する場合に、大量の特徴量のエンジニアリング、特徴選別及びモデル解釈の可能性への依存を避けたため、時間と人件費が節約された。

なお、上述した様々な形態のフローを用いて、ステップを並び替え、追加または削除を行うことができることを理解されるべきである。例えば、本出願に記載された各ステップは、本出願に開示された技術方案の所望の結果が達成できる限り、並行して実行されてもよく、順番に実行されてもよく、異なる順序で実行されてもよい。本明細書はここで制限はしない。

上記具体的な実施形態は、本出願の保護範囲を限定するものではない。設計要件および他の要因に従って、様々な修正、組み合わせ、副次的な組み合わせ、および置換を行うことができることを当業者は理解すべきである。本出願の趣旨および原理を逸脱せずに行われたあらゆる修正、均等置換および改善などは、いずれも本出願の保護範囲内に含まれるべきである。
なお、出願当初の特許請求の範囲の記載は以下の通りである。
請求項１：
サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得することと、
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第１のスクリーニング因子を確定し、前記第１のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第１のリソースの特徴を確定することと、
予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、該第２のスクリーニング因子に基づいて、前記第１のリソースの特徴から第２のリソースの特徴を確定し、該第２のリソースの特徴に基づいて前記対象モデルの特徴を取得することと、
前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して対象モデルを取得することと
を含む、モデルを生成するための方法。
請求項２：
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第１のスクリーニング因子を確定することは、
前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、ＸＧＢｏｏｓｔモデル（決定木モデル）を訓練して訓練済みＸＧＢｏｏｓｔモデルを取得することと、
前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、前記第１のスクリーニング因子を確定することと
を含む請求項１に記載の方法。
請求項３：
前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、前記第１のスクリーニング因子を確定することは、前記カバレッジ及び／又は前記相関係数に基づいて、前記第１のスクリーニング因子を確定することを含む、請求項２に記載の方法。
請求項４：
前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することをさらに含み、
前記サンプルリソースの特徴から第１のリソースの特徴を確定することは、前記第１のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定することを含む、請求項１～３のいずれか１項に記載の方法。
請求項５：
前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することを含む、請求項４に記載の方法。
請求項６：
前記予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定する前に、前記第１のリソースの特徴及び前記第１のリソースの特徴に対応するサンプルラベルに基づいて、前記ＬＲモデルを訓練して、前記予め訓練されたＬＲモデルを取得することをさらに含む、請求項１に記載の方法。
請求項７：
前記予め訓練されたＬＲモデルに関連付けられるパラメータは、変数の係数、Ｐ値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも１つを含み、前記Ｐ値は、前記予め訓練されたＬＲモデルのテスト結果を判定するパラメータである、請求項６に記載の方法。
請求項８：
前記第２のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定することと、
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることと
をさらに含む、請求項１に記載の方法。
請求項９：
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算することをさらに含み、
前記すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とすることを含む請求項８に記載の方法。
請求項１０：
前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの１つを含む、請求項８又は９に記載の方法。
請求項１１：
グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの１つに基づいて、前記対象モデルのハイパーパラメータを調整することをさらに含む、請求項１に記載の方法。
請求項１２：
前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの１つを含む、請求項１に記載の方法。
請求項１３：
サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得するように構成されたサンプル取得モジュールと、
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第１のスクリーニング因子を確定し、前記第１のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第１のリソースの特徴を確定するように構成された第１の確定モジュールと、
予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、該第２のスクリーニング因子に基づいて、前記第１のリソースの特徴から第２のリソースの特徴を確定し、該第２のリソースの特徴に基づいて前記対象モデルの特徴を取得するように構成された第２の確定モジュールと、
前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得するように構成されたモデル訓練モジュールと
を備える、モデルを生成するための装置。
請求項１４：
前記第１の確定モジュールは、
前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、ＸＧＢｏｏｓｔモデル（決定木モデル）を訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得するように構成されたモデル取得ユニットと、
前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、前記第１のスクリーニング因子を確定するように構成された因子確定ユニットと
を備える、請求項１３に記載の装置。
請求項１５：
前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
前記因子確定ユニットは、前記カバレッジ及び／又は前記相関係数に基づいて、前記第１のスクリーニング因子を確定するようにさらに構成される、請求項１４に記載の装置。
請求項１６：
前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得するように構成された特徴ソートモジュールをさらに備えており、
前記第１の確定モジュールは、前記第１のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定するようにさらに構成される、請求項１３～１５のいずれか１項に記載の装置。
請求項１７：
前記特徴ソートモジュールは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得するようにさらに構成される、請求項１６に記載の装置。
請求項１８：
前記予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定する前に、前記第１のリソースの特徴及び前記第１のリソースの特徴に対応するサンプルラベルに基づいて、前記ＬＲモデルを訓練して、前記予め訓練されたＬＲモデルを取得するように構成されたモデル取得モジュールをさらに備える、請求項１３に記載の装置。
請求項１９：
前記予め訓練されたＬＲモデルに関連付けられるパラメータは、変数の係数、Ｐ値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも１つを含み、前記Ｐ値は、前記予め訓練されたＬＲモデルのテスト結果を判定するパラメータである、請求項１８に記載の装置。
請求項２０：
前記第２のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定するように構成された第１の処理モジュールと、
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とするように構成された対象モデルの特徴確定モジュールと
をさらに備える請求項１３に記載の装置。
請求項２１：
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算するように構成された第２の処理モジュールをさらに備えており、
前記対象モデルの特徴確定モジュールは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とするようにさらに構成される、請求項２０に記載の装置。
請求項２２：
前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの１つを含む、請求項２０又は２１に記載の装置。
請求項２３：
グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの１つに基づいて、前記対象モデルのハイパーパラメータを調整するように構成されたパラメータ調整モジュールをさらに備える、請求項１３に記載の装置。
請求項２４：
前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの１つを含む、請求項１３に記載の装置。
請求項２５：
少なくとも１つのプロセッサと、該少なくとも１つのプロセッサと通信可能に接続されるメモリとを備えており、
前記メモリには、前記少なくとも１つのプロセッサにより実行可能な指令が格納されており、前記指令が前記少なくとも１つのプロセッサにより実行されると、前記少なくとも１つのプロセッサに請求項１～１２のいずれか１項に記載の方法が実行される、電子機器。
請求項２６：
コンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、前記コンピュータ指令は、前記コンピュータに請求項１～１２のいずれか１項に記載の方法を実行させるために用いられる、非一時的コンピュータ可読記憶媒体。
請求項２７：
コンピュータプログラムを含むコンピュータプログラム製品であって、前記コンピュータプログラムがプロセッサにより実行されると、請求項１～１２のいずれか１項に記載の方法が実装される、コンピュータプログラム製品。

Claims (27)

1. モデルを生成するための装置により実行される方法であって、
   サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得することと、
   前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第１のスクリーニング因子を確定し、前記第１のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第１のリソースの特徴を確定することと、
   予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、該第２のスクリーニング因子に基づいて、前記第１のリソースの特徴から第２のリソースの特徴を確定し、該第２のリソースの特徴に基づいて対象モデルの特徴を取得することと、
   前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して前記対象モデルを取得することと
   を含む方法。
2. 前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第１のスクリーニング因子を確定することは、
   前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、ＸＧＢｏｏｓｔモデル（決定木モデル）を訓練して訓練済みＸＧＢｏｏｓｔモデルを取得することと、
   前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、前記第１のスクリーニング因子を確定することと
   を含む請求項１に記載の方法。
3. 前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
   前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、前記第１のスクリーニング因子を確定することは、前記カバレッジ及び／又は前記相関係数に基づいて、前記第１のスクリーニング因子を確定することを含む、請求項２に記載の方法。
4. 前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することをさらに含み、
   前記サンプルリソースの特徴から第１のリソースの特徴を確定することは、前記第１のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定することを含む、請求項１～３のいずれか１項に記載の方法。
5. 前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することを含む、請求項４に記載の方法。
6. 前記予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定する前に、前記第１のリソースの特徴及び前記第１のリソースの特徴に対応するサンプルラベルに基づいて、前記ＬＲモデルを訓練して、前記予め訓練されたＬＲモデルを取得することをさらに含む、請求項１に記載の方法。
7. 前記予め訓練されたＬＲモデルに関連付けられるパラメータは、変数の係数、Ｐ値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも１つを含み、前記Ｐ値は、前記予め訓練されたＬＲモデルのテスト結果を判定するパラメータである、請求項６に記載の方法。
8. 前記第２のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定することと、
   すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることと
   をさらに含む、請求項１に記載の方法。
9. すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算することをさらに含み、
   前記すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とすることを含む請求項８に記載の方法。
10. 前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの１つを含む、請求項８又は９に記載の方法。
11. グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの１つに基づいて、前記対象モデルのハイパーパラメータを調整することをさらに含む、請求項１に記載の方法。
12. 前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの１つを含む、請求項１に記載の方法。
13. サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得するように構成されたサンプル取得モジュールと、
    前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第１のスクリーニング因子を確定し、前記第１のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第１のリソースの特徴を確定するように構成された第１の確定モジュールと、
    予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定し、該第２のスクリーニング因子に基づいて、前記第１のリソースの特徴から第２のリソースの特徴を確定し、該第２のリソースの特徴に基づいて対象モデルの特徴を取得するように構成された第２の確定モジュールと、
    前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して、前記対象モデルを取得するように構成されたモデル訓練モジュールと
    を備える、モデルを生成するための装置。
14. 前記第１の確定モジュールは、
    前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、ＸＧＢｏｏｓｔモデル（決定木モデル）を訓練して、訓練済みＸＧＢｏｏｓｔモデルを取得するように構成されたモデル取得ユニットと、
    前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータに基づいて、前記第１のスクリーニング因子を確定するように構成された因子確定ユニットと
    を備える、請求項１３に記載の装置。
15. 前記訓練済みＸＧＢｏｏｓｔモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
    前記因子確定ユニットは、前記カバレッジ及び／又は前記相関係数に基づいて、前記第１のスクリーニング因子を確定するようにさらに構成される、請求項１４に記載の装置。
16. 前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得するように構成された特徴ソートモジュールをさらに備えており、
    前記第１の確定モジュールは、前記第１のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第１のリソースの特徴を確定するようにさらに構成される、請求項１３～１５のいずれか１項に記載の装置。
17. 前記特徴ソートモジュールは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得するようにさらに構成される、請求項１６に記載の装置。
18. 前記予め訓練されたロジスティック回帰モデル（ＬＲモデル）に関連付けられるパラメータに基づいて、第２のスクリーニング因子を確定する前に、前記第１のリソースの特徴及び前記第１のリソースの特徴に対応するサンプルラベルに基づいて、前記ＬＲモデルを訓練して、前記予め訓練されたＬＲモデルを取得するように構成されたモデル取得モジュールをさらに備える、請求項１３に記載の装置。
19. 前記予め訓練されたＬＲモデルに関連付けられるパラメータは、変数の係数、Ｐ値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも１つを含み、前記Ｐ値は、前記予め訓練されたＬＲモデルのテスト結果を判定するパラメータである、請求項１８に記載の装置。
20. 前記第２のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定するように構成された第１の処理モジュールと、
    すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とするように構成された対象モデルの特徴確定モジュールと
    をさらに備える請求項１３に記載の装置。
21. すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算するように構成された第２の処理モジュールをさらに備えており、
    前記対象モデルの特徴確定モジュールは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とするようにさらに構成される、請求項２０に記載の装置。
22. 前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの１つを含む、請求項２０又は２１に記載の装置。
23. グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの１つに基づいて、前記対象モデルのハイパーパラメータを調整するように構成されたパラメータ調整モジュールをさらに備える、請求項１３に記載の装置。
24. 前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの１つを含む、請求項１３に記載の装置。
25. 少なくとも１つのプロセッサと、該少なくとも１つのプロセッサと通信可能に接続されるメモリとを備えており、
    前記メモリには、前記少なくとも１つのプロセッサにより実行可能な指令が格納されており、前記指令が前記少なくとも１つのプロセッサにより実行されると、前記少なくとも１つのプロセッサに請求項１～１２のいずれか１項に記載の方法が実行される、電子機器。
26. コンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、前記コンピュータ指令は、コンピュータに請求項１～１２のいずれか１項に記載の方法を実行させるために用いられる、非一時的コンピュータ可読記憶媒体。
27. コンピュータプログラムであって、前記コンピュータプログラムがプロセッサにより実行されると、請求項１～１２のいずれか１項に記載の方法が実装される、コンピュータプログラム。

Images