[發明專利]模型參數的處理方法、裝置、設備和計算機存儲介質

有效

• 申請號: 201711123787.0
• 申請日: 2017-11-14
• 公開（公告）號: CN109800884B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 楊旭
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 廣州鑄智知識產權代理有限公司 44886
• 代理人: 徐瑞紅

1.一種機器學習平臺中模型參數的處理方法，其特征在于，該方法包括：

獲取用戶建立的學習模型以及訓練數據；所述學習模型包括用于判別一筆交易是否存在欺詐行為的邏輯回歸模型時，所述訓練數據包括交易數據；所述學習模型包括用于判別電子郵件是否為垃圾郵件的邏輯回歸模型時，所述訓練數據包括電子郵件；或者，所述學習模型包括用于判別用戶性別是男是女的邏輯回歸模型時，所述訓練數據包括用戶性別；

確定所述學習模型的目標函數，迭代計算出基準參數候選集合；

以所述候選集合中的基準參數取值以及所述訓練數據，對所述學習模型進行訓練，確定模型對應的訓練結果；

將訓練結果滿足預設條件的模型對應的基準參數作為所述學習模型的參數；

在模型參數的展示界面上，將所述學習模型的參數展示給用戶，以便用戶進行編輯處理。

2.根據權利要求1所述的方法，其特征在于，所述學習模型包括邏輯回歸模型；

所述基準參數候選集合包括基準超參數。

3.根據權利要求1所述的方法，其特征在于，所述確定所述學習模型的目標函數，迭代計算出基準參數候選集合包括：

以所述學習模型的損失函數作為目標函數，迭代計算所述學習模型的參數的取值；

利用所述學習模型的參數的取值確定基準參數；

利用所述基準參數構造基準參數候選集合。

4.一種邏輯回歸模型的參數調整方法，其特征在于，該方法包括：

以邏輯回歸模型在訓練數據上的損失函數作為目標函數，確定模型參數的第一取值；

將利用所述模型參數的第一取值確定出的超參數作為基準超參數；

利用基準超參數構造超參數候選集合；

分別針對所述超參數候選集合中的各超參數取值執行以下處理：以該超參數取值構造結構風險函數；以該結構風險函數作為目標函數，確定模型參數的第二取值；以模型參數的第二取值預測驗證樣本集；

從得到的各模型參數的第二取值中，選擇對驗證樣本集的預測結果最優的模型參數的第二取值作為模型參數，確定對應的超參數取值；

在模型參數的展示界面上，將所述模型參數展示給用戶，以便用戶進行編輯處理；

其中，所述邏輯回歸模型包括用于判別一筆交易是否存在欺詐行為的邏輯回歸模型時，所述訓練數據包括交易數據；所述邏輯回歸模型包括用于判別電子郵件是否為垃圾郵件的邏輯回歸模型時，所述訓練數據包括電子郵件；或者，學習模型包括用于判別用戶性別是男是女的邏輯回歸模型時，所述訓練數據包括用戶性別。

5.根據權利要求4所述的方法，其特征在于，所述以邏輯回歸模型在訓練數據上的損失函數作為目標函數，確定模型參數的第一取值包括：

初始化模型參數的取值和迭代次數；

增加迭代次數的取值；

計算依據當前模型參數取值得到的損失函數倒數的取值，確定模型參數的增量；

利用模型參數的增量更新模型參數的取值；

判斷是否滿足迭代終止條件，如果是，則迭代結束，確定當前模型參數的取值作為模型參數的第一取值；否則，轉至執行所述增加迭代次數的取值。

6.根據權利要求4所述的方法，其特征在于，所述訓練數據包括訓練樣本集，所述訓練樣本集包括多個訓練樣本；利用所述模型參數的第一取值確定超參數的方式包括：

利用模型參數的第一取值確定各訓練樣本的損失函數和正則項；

利用確定出的損失函數的均值以及所述正則項，確定超參數。

7.根據權利要求4所述的方法，其特征在于，所述超參數候選集合中包含0.1至10倍基準超參數取值范圍內的N個超參數取值。

8.根據權利要求7所述的方法，其特征在于，所述超參數候選集合包含：基準超參數N等分的各取值。

9.根據權利要求4所述的方法，其特征在于，以該超參數取值構造結構風險函數包括：

將正則函數與超參數的積與損失函數之和作為結構風險函數。