[發明專利]數據分類方法、裝置、電子裝置及計算機可讀介質

在審

• 申請號: 201710352183.7
• 申請日: 2017-05-18
• 公開（公告）號: CN107169518A
• 公開（公告）日: 2017-09-15
• 發明（設計）人: 解鵬;曲洪濤
• 申請（專利權）人: 北京京東金融科技控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/30;G06N99/00
• 代理公司: 北京律智知識產權代理有限公司11438
• 代理人: 王衛忠,姜怡

1.一種數據分類方法，其特征在于，包括：

對全量訓練數據采用機器學習方法進行建模得到原始模型，其中所述全量訓練數據中包含少數類樣本；

基于少數類占比閾值從所述全量訓練數據中篩選得到新訓數據，其中所述少數類占比閾值為各聚類區間內少數類樣本在所述聚類區間內所有數據占比的臨界值；

對所述新訓數據采用機器學習方法建模得到新訓模型；

分別應用所述原始模型和所述新訓模型對所述新訓數據進行分類預測得到原始分類結果和新訓分類結果；

比較所述原始分類結果和所述新訓分類結果的準確率，并將準確率高的作為最終分類結果。

2.根據權利要求1所述的數據分類方法，其特征在于，所述全量訓練數據的少數類樣本占比為α，且所述少數類占比閾值大于所述少數類樣本占比α。

3.根據權利要求1所述的數據分類方法，其特征在于，基于少數類占比閾值從所述全量訓練數據中篩選得到新訓數據包括：

將各聚類區間范圍內少數類樣本占比大于所述少數類占比閾值的數據篩選出來生成所述新訓數據。

4.根據權利要求3所述的數據分類方法，其特征在于，其中各聚類區間范圍內少數類樣本占比的計算為：

從所述全量訓練數據中選出所述少數類樣本，并對所述少數類樣本進行聚類分析，得到各少數類樣本在特征空間中的聚類邊界；

根據所述聚類邊界對所述全量訓練數據進行篩選，得到各聚類區間范圍內包含少數類樣本的數據，其中所述聚類區間為在所述特征空間中由所述聚類邊界確定的局部空間；

根據各聚類區間范圍內少數類樣本數據在所述聚類區間內所有數據中所占的比例計算各所述聚類區間內少數類樣本占比。

5.根據權利要求1所述的數據分類方法，其特征在于，所述方法還包括：

如果所述新訓分類結果的準確率高于所述原始分類結果的準確率，則以所述新訓模型進行分類預測的結果作為所述最終分類結果；

如果所述原始分類結果的準確率高于所述新訓分類結果的準確率，則重新設定所述少數類占比閾值篩選構成新的新訓數據并進行訓練；或

更改機器學習方法按照所述少數類占比閾值篩選構成的新訓數據重新進行訓練。

6.根據權利要求4所述的數據分類方法，其特征在于，所述方法還包括：

將所述原始模型、所述新訓模型、所述聚類邊界和所述少數類占比閾值作為最終模型進行輸出。

7.根據權利要求6所述的數據分類方法，其特征在于，應用所述最終模型對新樣本進行分類時，包括：

根據所述聚類邊界和所述少數類占比閾值判斷所述新樣本是否屬于新訓數據聚類區間范圍內的數據；

如果所述新樣本屬于所述新訓數據聚類區間范圍內的數據，則使用所述新訓模型對所述新樣本進行分類預測；如果所述新樣本不屬于所述新訓數據聚類區間范圍內的數據，則使用所述原始模型對所述新樣本進行分類預測。

8.一種數據分類裝置，其特征在于，包括：

原始建模模塊，用于對全量訓練數據采用機器學習方法進行建模得到原始模型，其中所述全量訓練數據中包含少數類樣本；

篩選模塊，用于基于少數類占比閾值從所述全量訓練數據中篩選得到新訓數據，其中所述少數類占比閾值為各聚類區間內少數類樣本在所述聚類區間內所有數據占比的臨界值；

新訓建模模塊，用于對所述新訓數據采用機器學習方法建模得到新訓模型；

預測模塊，用于分別應用所述原始模型和所述新訓模型對所述新訓數據進行分類預測得到原始分類結果和新訓分類結果；

比較模塊，用于比較所述原始分類結果和所述新訓分類結果的準確率，并將準確率高的作為最終分類結果。

9.根據權利要求8所述的數據分類裝置，其特征在于，所述篩選模塊將各聚類區間范圍內少數類樣本占比大于所述少數類占比閾值的數據篩選出來生成所述新訓數據。

10.一種電子裝置，其特征在于，包括：

處理器；

存儲器，存儲用于所述處理器控制如權利要求1-7任一項所述的操作的指令。

11.一種計算機可讀介質，其上存儲有計算機可執行指令，其特征在于，所述可執行指令被處理器執行時實現如權利要求1-7任一項所述的數據分類方法。