[發(fā)明專(zhuān)利]分類(lèi)模型的訓(xùn)練方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710361782.5
• 申請(qǐng)日: 2017-05-19
• 公開(kāi)（公告）號(hào): CN108960264A
• 公開(kāi)（公告）日: 2018-12-07
• 發(fā)明（設(shè)計(jì)）人: 劉炯宙;夏命榛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華為技術(shù)有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 深圳市深佳知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 王仲凱

1.一種分類(lèi)模型的訓(xùn)練方法，其特征在于，所述分類(lèi)模型用于對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，所述方法包括：

接收用于訓(xùn)練所述分類(lèi)模型的樣本數(shù)據(jù)，所述樣本數(shù)據(jù)包括多個(gè)樣本特征；

從所述樣本數(shù)據(jù)中確定目標(biāo)特征子集，所述目標(biāo)特征子集為所述樣本數(shù)據(jù)中相關(guān)性和冗余度都滿(mǎn)足目標(biāo)條件的特征集合；

利用高維稀疏化轉(zhuǎn)換方法確定所述目標(biāo)特征子集的高維稀疏特征，所述高維稀疏特征為線性特征；

確定所述目標(biāo)特征子集的高維稀疏特征對(duì)應(yīng)的目標(biāo)數(shù)據(jù)復(fù)雜度，所述數(shù)據(jù)復(fù)雜度包括用于表征數(shù)據(jù)特點(diǎn)的多個(gè)維度；

根據(jù)已建立的數(shù)據(jù)復(fù)雜度與分類(lèi)算法的映射關(guān)系確定所述目標(biāo)數(shù)據(jù)復(fù)雜度所對(duì)應(yīng)的目標(biāo)分類(lèi)算法，以及根據(jù)已建立的數(shù)據(jù)復(fù)雜度與所述目標(biāo)分類(lèi)算法的超參數(shù)集合的映射關(guān)系確定所述目標(biāo)數(shù)據(jù)復(fù)雜度所對(duì)應(yīng)的目標(biāo)參數(shù)；

根據(jù)確定的所述目標(biāo)參數(shù)以及所述目標(biāo)特征子集的高維稀疏特征訓(xùn)練所述目標(biāo)分類(lèi)算法，以得到所述分類(lèi)模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述從所述樣本數(shù)據(jù)中確定目標(biāo)特征子集，包括：

從所述樣本數(shù)據(jù)中確定最大相關(guān)性和最小冗余度的特征子集；所述最大相關(guān)性和最小冗余度的特征子集為所述目標(biāo)特征子集。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用高維稀疏化轉(zhuǎn)換方法確定所述目標(biāo)特征子集的高維稀疏特征，包括：

對(duì)所述目標(biāo)特征子集進(jìn)行均衡處理，然后添加隨機(jī)噪聲；

將進(jìn)行均衡處理以及添加隨機(jī)噪聲后的所述目標(biāo)特征子集拆分為第一子集和第二子集；

利用所述第一子集訓(xùn)練特征稀疏編碼算法，以得到特征稀疏編碼泛化模型；

輸入第二子集，并根據(jù)所述特征稀疏編碼泛化模型確定所述第二子集對(duì)應(yīng)的高維稀疏特征。

4.根據(jù)權(quán)利要求1至3任一項(xiàng)所述的方法，其特征在于，所述根據(jù)已建立的數(shù)據(jù)復(fù)雜度與分類(lèi)算法的映射關(guān)系確定所述目標(biāo)數(shù)據(jù)復(fù)雜度所對(duì)應(yīng)的目標(biāo)分類(lèi)算法之前，所述方法還包括：

訓(xùn)練所述數(shù)據(jù)復(fù)雜度與分類(lèi)算法的映射關(guān)系，以及訓(xùn)練所述數(shù)據(jù)復(fù)雜度與分類(lèi)算法的超參數(shù)集合的映射關(guān)系。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述訓(xùn)練所述數(shù)據(jù)復(fù)雜度與分類(lèi)算法的映射關(guān)系，以及訓(xùn)練所述數(shù)據(jù)復(fù)雜度與分類(lèi)算法的超參數(shù)集合的映射關(guān)系包括：

獲取輸入的多個(gè)分類(lèi)算法以及多組訓(xùn)練數(shù)據(jù)；

確定所述多組訓(xùn)練數(shù)據(jù)中每組訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的分類(lèi)算法以及所述多個(gè)分類(lèi)算法中每個(gè)分類(lèi)算法對(duì)應(yīng)的超參數(shù)集合；

獲取多份數(shù)據(jù)復(fù)雜度，所述多份數(shù)據(jù)復(fù)雜度是所述多組訓(xùn)練數(shù)據(jù)中每組訓(xùn)練數(shù)據(jù)的數(shù)據(jù)復(fù)雜度；

建立所述多份數(shù)據(jù)復(fù)雜度與所述多個(gè)分類(lèi)算法的映射關(guān)系；

建立所述多份數(shù)據(jù)復(fù)雜度與所述每個(gè)分類(lèi)算法對(duì)應(yīng)的超參數(shù)集合的映射關(guān)系。

6.根據(jù)權(quán)利要求1至3任一項(xiàng)所述的方法，其特征在于，所述數(shù)據(jù)復(fù)雜度包括用于表征數(shù)據(jù)特點(diǎn)的十二個(gè)維度中的至少兩個(gè)，所述十二個(gè)維度包括：線性判別率、目標(biāo)類(lèi)型范圍重疊率、單一特征最大能效、線性分類(lèi)誤差率、線性分類(lèi)最小誤差和、線性分類(lèi)面樣本比例、同類(lèi)樣本聚集密度、不同類(lèi)樣本聚集密度、樣本數(shù)據(jù)非線性、異類(lèi)樣本差異性、各類(lèi)樣本最小超維閉包以及各個(gè)維度取值稀疏率。