[發明專利]一種識別模型的確定方法和裝置

有效

• 申請號: 201811360817.4
• 申請日: 2018-11-15
• 公開（公告）號: CN109685104B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 范芳芳
• 申請（專利權）人: 同盾控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

1.一種識別模型的確定方法，其特征在于，所述方法包括：

獲取待訓練數據和待測試數據，所述待訓練數據和所述待測試數據均包括C個類別的數據，所述待訓練數據和所述待測試數據來自于多個不同平臺的不同數據源；

根據N個學習模型和所述待訓練數據，利用Stacking模型融合策略對所述待訓練數據和所述待測試數據進行概率預測，以確定特征數據集，所述N個學習模型是基于L_p－L_q混合范數的稀疏線性稀疏多核多任務學習算法框架利用多個多任務學習算法根據所述待訓練數據中的第一訓練集數據訓練得到的包括至少一個多任務學習模型和至少一個單任務學習模型，其中，所述多個多任務學習算法包括L₁-L_p-prox算法、L_p-L_q-prox算法、L_p-L_q-altern算法和L₁-SepSVM算法；

根據所述特征數據集，對Fisher判別模型進行訓練，以確定C-1維的判別函數模型；

通過預設的模型評估指標，確定目標識別模型，所述目標識別模型是符合預設的模型評估條件的所述判別函數模型；

所述N個學習模型包括N－1個多任務學習模型和一個單任務學習模型；所述待訓練數據包括第一測試集數據和所述第一訓練集數據，C≥2；

所述根據N個學習模型和所述待訓練數據，利用Stacking模型融合策略對所述待訓練數據和所述待測試數據進行概率預測，以確定特征數據集，包括：

對于N－1個多任務學習模型與一個單任務學習模型，采用k折交叉驗證得到N*k個學習模型，通過所述N*k個學習模型對所述第一測試集數據與所述待測試數據進行概率值的預測，將得到的概率值生成對應的特征數據集。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取多個數據平臺的數據；

對所述多個數據平臺的數據進行預處理；

將預處理后的所述多個數據平臺的數據分成所述待訓練數據和所述待測試數據。

3.根據權利要求1所述的方法，其特征在于，所述根據N個學習模型和所述待訓練數據，利用Stacking模型融合策略對所述待訓練數據和所述待測試數據進行概率預測，以確定特征數據集，包括：

根據所述多個多任務學習算法和所述第一訓練集數據 ，對所述L_p－L_q混合范數的稀疏線性稀疏多核多任務學習算法框架進行訓練，以確定所述N個學習模型；

利用所述Stacking模型融合策略，對所述N個學習模型進行融合訓練，以生成N*k個學習模型；

利用所述N*k個學習模型對所述第一測試集數據進行概率預測；

利用所述N* k個學習模型，確定所述待測試數據的概率預測值；

根據所述第一測試集數據對應的概率預測值和所述待測試數據的概率預測值，生成所述特征數據集。

4.根據權利要求3所述的方法，其特征在于，所述根據所述特征數據集，對Fisher判別模型進行訓練，以確定C-1維的判別函數模型，包括：

將所述第一測試集數據對應的概率預測值確定為判別數據的訓練集；

將所述待測試數據的概率預測值確定為判別數據的測試集；

根據所述判別數據的訓練集合所述判別數據的測試集訓練所述Fisher判別模型，以確定所述C-1維的判別函數模型。

5.根據權利要求1所述的方法，其特征在于，所述模型評估指標包括召回率、準確率、精準率、F1分數中的至少一者，所述通過預設的模型評估方法，輸出符合預設的模型評估條件的目標識別模型，包括：

確定所述判別函數模型的模型評估指標；

當所述判別函數模型的模型評估指標滿足所述模型評估條件時，利用TSNE算法對所述判別函數模型進行降維處理，以確定第一預設維數的目標識別模型；

輸出所述目標識別模型。