[發明專利]逐步模型選擇方法、設備及可讀存儲介質

在審

• 申請號: 202010024336.7
• 申請日: 2020-01-09
• 公開（公告）號: CN111241745A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 唐興興;黃啟軍;陳瑞欽;林冰垠;李詩琦
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;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

1.一種逐步模型選擇方法，其特征在于，所述逐步模型選擇方法應用于服務端，所述逐步模型選擇方法包括：

接收與所述服務端關聯的客戶端發送的配置參數并獲取待訓練特征集，并基于所述待訓練特征集和所述配置參數對預設待訓練模型進行訓練，獲得第一初始訓練模型；

分別計算所述待訓練特征集對應的第一類型顯著性和第二類型顯著性；

分別基于各所述第一類型顯著性和各所述第二類型顯著性，對所述第一初始訓練模型進行循環訓練，獲得循環訓練模型集；

基于所述配置參數，在所述第一初始訓練模型和所述循環訓練模型集之中選取目標訓練模型；

生成所述目標訓練模型對應的可視化數據，并將所述可視化數據反饋至所述客戶端。

2.如權利要求1所述逐步模型選擇方法，其特征在于，所述待訓練特征集包括第一模型特征集和第二模型特征集，所述循環訓練模型集包括第一循環訓練模型集和第二循環訓練模型集，

所述分別基于各所述第一類型顯著性和各所述第二類型顯著性，對所述第一初始訓練模型進行循環訓練，獲得循環訓練模型集的步驟包括：

基于各所述第一類型顯著性，在所述第一模型特征集中剔除符合預設剔除顯著性要求的待剔除特征；

基于剔除后的所述第一模型特征集，對所述第一初始訓練模型進行循環訓練更新，直至所述第一模型特征集中不存在所述待剔除特征，獲得所述第一循環訓練模型集；

基于各所述第二類型顯著性，在所述第二模型特征集中選取符合預設顯著性要求的目標特征；

將所述目標特征加入所述第一模型特征集，并基于加入所述目標特征后的所述第一模型特征集對更新后的所述第一初始訓練模型進行循環訓練，直至加入所述目標特征后的所述第一模型特征集中不存在所述待剔除特征且所述第二模型特征集中不存在所述目標特征，獲得所述第二循環訓練模型集。

3.如權利要求2所述逐步模型選擇方法，其特征在于，所述基于各所述第一類型顯著性，在所述第一模型特征集中剔除符合預設剔除顯著性要求的待剔除特征的步驟包括：

將各所述第一類型顯著性進行比對，以在所述第一模型特征集中選取顯著性最低的特征作為待選擇特征；

將所述待選擇特征的待選擇顯著性與預設剔除顯著性閥值進行比對；

若所述待選擇顯著性小于所述預設剔除顯著性閥值，則判定所述待選擇特征滿足所述預設剔除顯著性要求，并將所述待選擇特征作為所述待剔除特征。

4.如權利要求2所述逐步模型選擇方法，其特征在于，所述配置參數包括迭代訓練完成判定條件，所述第一循環訓練模型集包括一個或者多個第一模型元素，

所述基于剔除后的所述第一模型特征集，對所述第一初始訓練模型進行循環訓練更新，直至所述第一模型特征集中不存在所述待剔除特征，獲得所述第一循環訓練模型集的步驟包括：

基于剔除后的所述第一模型特征集，對所述第一初始訓練模型進行迭代訓練更新，直至所述第一初始訓練模型滿足所述迭代訓練完成判定條件，獲得各所述第一模型元素之一；

重新計算剔除后的所述第一模型特征集中各元素的所述第一類型顯著性，以重復進行對所述待剔除特征的剔除和對更新后的所述第一初始訓練模型的迭代訓練更新，直至所述第一模型特征集中不存在所述待剔除特征，獲得所述第一循環訓練模型集。

5.如權利要求2所述逐步模型選擇方法，其特征在于，所述基于各所述第二類型顯著性，在所述第二模型特征集中選取符合預設顯著性要求的目標特征的步驟包括：

將各所述第二類型顯著性進行比對，以在所述第二模型特征集中選取顯著性最高的最顯著特征；

將所述最顯著特征對應的目標顯著性與所述預設顯著性閥值進行比對；

若所述目標顯著性大于或者等于所述預設顯著性閥值，則判定所述最顯著特征滿足所述預設顯著性要求，并將所述最顯著特征作為所述目標特征。