[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

本申請公開了一種泛型決策樹構建方法、裝置、設備和可讀存儲介質，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。本申請解決了決策樹模型計算效率低和靈活性差的技術問題。

技術領域

本申請涉及金融科技(Fintech)的人工智能技術領域，尤其涉及一種泛型決策樹構建方法、裝置、設備及可讀存儲介質。

背景技術

隨著金融科技，尤其是互聯網科技金融的不斷發展，越來越多的技術(如分布式、區塊鏈Blockchain、人工智能等)應用在金融領域，但金融業也對技術提出了更高的要求，如對金融業對應待辦事項的分發也有更高的要求。

隨著計算機軟件和人工智能的不斷發展，機器學習建模的應用也越來越廣泛，其中，決策樹模型是一種被廣泛使用的機器學習模型，目前，常用的決策樹模型包括單顆決策樹、梯度提升樹和隨機森林樹，其中，單顆決策樹模型的節點拆分規則通常是按照某種增益計算方式對所有特征進行計算，取增益最大的那個變量作為拆分規則，常見的規則有gini增益、entropy增益、卡方等，但是所述拆分規則每次拆分僅能使用一個特征，進而導致限制了算法效果，浪費了其他特征計算結果，且其計算規則往往限定于幾種公式，缺乏靈活性，而對于梯度提升樹和隨機森林樹，其算法效果好于單棵決策樹，但是其計算量遠遠大于單顆決策樹，進而導致其計算量過大，且無法像單顆決策樹一樣可以針對單個節點進行交互式建模，失去了決策樹模型的靈活性，所以，現有技術中存在決策樹模型計算效率低和靈活性差的技術問題。

發明內容

本申請的主要目的在于提供一種泛型決策樹構建方法、裝置、設備和可讀存儲介質，旨在解決現有技術中決策樹模型計算效率低和靈活性差的技術問題。

為實現上述目的，本申請實施例提供一種泛型決策樹構建方法，所述泛型決策樹構建方法應用于泛型決策樹構建設備，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。

可選地，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。

可選地，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；