[發明專利]基于AutoML的對象預測分類方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202010897663.3
• 申請日: 2020-08-31
• 公開（公告）號: CN112036483A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 陳遠波
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 汪琳琳

1.一種基于AutoML的對象預測分類方法，其特征在于，包括下述步驟：

獲取待預測分類的多個對象對應的原始數據；

獲取預設模型框架，所述預設模型框架包含多個模型，基于各所述對象的原始數據構建與各所述模型相對應的特征，并將構建的各所述特征進行組合編碼生成組合特征集，其中，所述預設模型框架基于AutoML從多個模型框架中篩選獲得；

將所述組合特征集輸入所述預設模型框架，得到各所述對象的預測分類標簽，實現各所述對象的預測分類。

2.根據權利要求1所述的基于AutoML的對象預測分類方法，其特征在于，基于AutoML從多個模型框架中篩選獲得所述預設模型框架包括：

獲取歷史數據，所述歷史數據對應多個歷史對象；

獲取多個模型框架，基于所述歷史數據構建與每個所述模型框架相對應的組合特征，形成多個訓練集和多個驗證集；

將每個所述訓練集輸入對應的所述模型框架中進行模型訓練，完成訓練后將所述驗證集輸入對應的所述模型框架中，根據各所述模型框架的輸出獲取模型評價參數，根據所述模型評價參數從所述多個模型框架中篩選得到所述預設模型框架。

3.根據權利要求2所述的基于AutoML的對象預測分類方法，其特征在于，所述獲取多個模型框架包括：

判斷當前是否存在已構建的與對象預測分類相關的模型框架；

若存在則直接獲取已構建的模型框架，否則讀取配置文件，根據所述配置文件獲取至少一個模型框架的模型參數，根據所述模型參數構建至少一個模型框架。

4.根據權利要求3所述的基于AutoML的對象預測分類方法，其特征在于，在所述根據所述模型參數構建至少一個模型框架時，所述方法還包括對所述歷史數據進行預處理，所述預處理至少包括one-hot編碼處理和歸一化處理中的一種。

5.根據權利要求2所述的基于AutoML的對象預測分類方法，其特征在于，在所述基于所述歷史數據構建與每個所述模型框架相對應的組合特征時，所述方法還包括：對基于所述歷史數據構建的組合特征進行穩定性篩選。

6.根據權利要求5所述的基于AutoML的對象預測分類方法，其特征在于，所述對基于所述歷史數據構建的組合特征進行穩定性篩選包括：

確定所述歷史數據的時間跨度，對所述時間跨度進行分區，得到多個時間區間，基于各所述時間區間計算基于所述歷史數據構建的組合特征的飽和度和重要度，根據得到的所述飽和度和所述重要度對基于所述歷史數據構建的組合特征進行穩定性篩選。

7.根據權利要求2所述的基于AutoML的對象預測分類方法，其特征在于，所述根據各所述模型框架的輸出獲取模型評價參數包括：

將各所述驗證集輸入對應的各所述模型框架后得到輸出結果進行排序，將所述排序結果劃分為N等份，得到N個分位，計算各所述模型框架對所有所述歷史對象的目標預測分類在各所述分位的命中率、覆蓋率和分位差，得到所述模型評價參數；其中N為不小于2的整數。

8.一種基于AutoML的對象預測分類裝置，其特征在于，包括：

數據獲取模塊，用于獲取待預測分類的多個對象對應的原始數據；

特征生成模塊，用于獲取預設模型框架，所述預設模型框架包含多個模型，基于各所述對象的原始數據構建與各所述模型相對應的特征，并將構建的各所述特征進行組合編碼生成組合特征集，其中，所述預設模型框架基于AutoML從多個模型框架中篩選獲得；

分類預測模塊，用于將所述組合特征集輸入所述預設模型框架，得到各所述對象的預測分類標簽，實現各所述對象的預測分類。

9.一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述處理器執行所述計算機可讀指令時實現如權利要求1至7中任一項所述的基于AutoML的對象預測分類方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機可讀指令，所述計算機可讀指令被處理器執行時實現如權利要求1至7中任一項所述的基于AutoML的對象預測分類方法的步驟。