[發明專利]泛型決策樹構建方法、裝置、設備及可讀存儲介質

在審

• 申請號: 201911177708.3
• 申請日: 2019-11-25
• 公開（公告）號: CN110909888A
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 李詩琦;黃啟軍;唐興興
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 王韜

1.一種泛型決策樹構建方法，其特征在于，所述泛型決策樹構建方法包括：

獲取待構建決策樹，并判斷所述待構建決策樹的待拆分節點是否可拆分；

若所述待拆分節點可拆分，則獲取所述待拆分節點對應的特征變量，并基于預設變量選擇規則對所述特征變量進行選擇，獲得拆分變量；

獲取所述待拆分節點對應的拆分模型，并基于所述拆分模型對所述拆分變量進行拆分，以生成所述拆分變量對應的孩子節點；

若所述待拆分節點不可拆分，則將所述待拆分節點作為所述泛型決策樹的葉子節點。

2.如權利要求1所述泛型決策樹構建方法，其特征在于，所述拆分模型包括單個訓練模型，

所述基于所述拆分模型對所述拆分變量進行拆分，以生成所述拆分變量對應的孩子節點的步驟包括：

將所述拆分變量輸入所述單個訓練模型，以對所述單個訓練模型進行訓練，獲得第一模型訓練結果；

基于所述第一模型訓練結果，對所述拆分變量進行拆分，獲得拆分結果；

基于所述拆分結果，生成所述拆分變量對應的所述孩子節點。

3.如權利要求1所述泛型決策樹構建方法，其特征在于，所述拆分模型包括多個訓練模型，

所述基于所述拆分模型對所述拆分變量進行拆分，以生成所述拆分變量對應的孩子節點的步驟包括：

將所述拆分變量輸入各所述訓練模型，以對各所述訓練模型進行訓練，獲得第二模型訓練結果；

基于各所述第二模型訓練結果，篩選各所述訓練模型中的最優訓練模型；

基于所述最優訓練模型對應的最優模型訓練結果，對所述拆分變量進行拆分，獲得最優拆分結果；

基于所述最優拆分結果，生成所述拆分變量對應的所述孩子節點。

4.如權利要求3所述泛型決策樹構建方法，其特征在于，所述孩子節點包括左孩子節點和右孩子節點，所述拆分變量包括一個或者多個選擇特征變量，

所述基于所述最優拆分結果，生成所述待拆分節點對應的所述孩子節點的步驟包括：

基于所述最優拆分結果，判斷各所述選擇特征變量的類型；

若存在所述選擇特征變量屬于第一類型變量，則生成所述第一類型變量對應的左孩子節點；

若存在所述選擇特征變量屬于第二類型變量，則生成所述第二類型變量對應的右孩子節點。

5.如權利要求1所述泛型決策樹構建方法，其特征在于，所述若所述待拆分節點不可拆分，則將所述待拆分節點作為所述泛型決策樹的葉子節點的步驟之后包括：

對所述孩子節點進行是否可拆分的判斷，以對可拆分的所述孩子節點進行拆分直至所述待構建決策樹中的所有節點不可再拆分，獲得初始泛型決策樹；

對所述初始泛型決策樹進行剪枝處理，獲得所述泛型決策樹。

6.如權利要求1所述泛型決策樹構建方法，其特征在于，所述獲取待構建決策樹的步驟之后包括：

當檢測到用戶輸入的第一選擇指令，選擇所述待構建決策樹的待進行交互式拆分的選擇節點；

判斷所述選擇節點是否屬于葉子節點類型，若所述選擇節點不屬于所述葉子節點類型，則對所述選擇節點進行剪枝處理，以將所述選擇節點作為所述待構建決策樹的葉子節點；

若所述選擇節點屬于所述葉子節點類型，則基于所述用戶的第二選擇指令，對所述選擇節點執行相對應的拆分操作，獲得拆分結果；

基于所述拆分結果，生成所述選擇節點對應的孩子節點。

7.如權利要求6所述泛型決策樹構建方法，其特征在于，所述第二選擇指令包括第一類型指令、第二類型指令和第三類型指令，

所述基于所述用戶的第二選擇指令，選擇相對應的拆分操作的步驟包括：

判斷所述第二選擇指令的類型，若所述第二選擇指令為所述第一類型指令，則重新選擇所述拆分變量，并對所述拆分模型進行重新訓練，以對所述選擇節點進行拆分；

若所述第二選擇指令為所述第二類型指令，則導入專家規則作為所述拆分模型，并對所述拆分模型進行訓練，以對所述選擇節點進行拆分；

若所述第二選擇指令為所述第三類型指令，則導入訓練模型作為所述拆分模型，并對所述拆分模型進行訓練，以對所述選擇節點進行拆分。