[發(fā)明專利]基于組合模型的分類方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110196084.0
• 申請日: 2021-02-22
• 公開（公告）號: CN112561000B
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 鐘子宏
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G06Q30/02;G06Q30/06
• 代理公司: 北京勵(lì)誠知識產(chǎn)權(quán)代理有限公司 11647
• 代理人: 趙爽

1.一種基于組合模型的分類方法，其特征在于，包括：

獲取m組訓(xùn)練樣本和n組預(yù)測數(shù)據(jù)，m和n均為正整數(shù)；

通過所述m組訓(xùn)練樣本對m個(gè)模型分別進(jìn)行訓(xùn)練，以得到m個(gè)目標(biāo)模型；

針對所述m個(gè)目標(biāo)模型中的任一個(gè)目標(biāo)模型，根據(jù)所述目標(biāo)模型、所述目標(biāo)模型對應(yīng)的第一訓(xùn)練樣本組和所述第一訓(xùn)練樣本組對應(yīng)的分類閾值，得到所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的第一分類標(biāo)簽；并根據(jù)所述各個(gè)訓(xùn)練樣本的第一分類標(biāo)簽和所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本包括的第二分類標(biāo)簽，得到所述目標(biāo)模型對應(yīng)的分類標(biāo)簽方差；

根據(jù)所述m個(gè)目標(biāo)模型和所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差，得到組合模型；

根據(jù)所述n組預(yù)測數(shù)據(jù)、所述組合模型和所述n組預(yù)測數(shù)據(jù)分別對應(yīng)的分類閾值，得到所述n組預(yù)測數(shù)據(jù)中每個(gè)預(yù)測數(shù)據(jù)的分類標(biāo)簽。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述目標(biāo)模型、所述目標(biāo)模型對應(yīng)的第一訓(xùn)練樣本組和所述第一訓(xùn)練樣本組對應(yīng)的分類閾值，得到所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的第一分類標(biāo)簽之前，還包括：

根據(jù)所述目標(biāo)模型、所述第一訓(xùn)練樣本組的均值向量和所述第一訓(xùn)練樣本組中訓(xùn)練樣本的數(shù)量，確定所述第一訓(xùn)練樣本組對應(yīng)的分類閾值。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述根據(jù)所述目標(biāo)模型、所述目標(biāo)模型對應(yīng)的第一訓(xùn)練樣本組和所述第一訓(xùn)練樣本組對應(yīng)的分類閾值，得到所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的第一分類標(biāo)簽，包括：

針對所述m個(gè)目標(biāo)模型中的任一個(gè)目標(biāo)模型，將所述目標(biāo)模型對應(yīng)的第一訓(xùn)練樣本組和所述目標(biāo)模型輸入邏輯回歸LR模型中，以得到所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的得分概率；

根據(jù)所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的得分概率和所述第一訓(xùn)練樣本組對應(yīng)的分類閾值，得到所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的第一分類標(biāo)簽。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的得分概率和所述第一訓(xùn)練樣本組對應(yīng)的分類閾值，得到所述第一訓(xùn)練樣本組中各個(gè)訓(xùn)練樣本的第一分類標(biāo)簽，包括：

針對所述第一訓(xùn)練樣本組中的任一訓(xùn)練樣本，若所述訓(xùn)練樣本的得分概率大于所述第一訓(xùn)練樣本組對應(yīng)的分類閾值，則確定所述訓(xùn)練樣本的第一分類標(biāo)簽為1；

若所述訓(xùn)練樣本的得分概率小于或等于所述第一訓(xùn)練樣本組對應(yīng)的分類閾值，則確定所述訓(xùn)練樣本的第一分類標(biāo)簽為0。

5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述根據(jù)所述m個(gè)目標(biāo)模型和所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差，得到組合模型，包括：

對所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差按照由小到大的順序進(jìn)行重排；

對所述m個(gè)目標(biāo)模型按照由大到小的順序進(jìn)行重排；

對重排后的所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差和重排后的所述m個(gè)目標(biāo)模型依次相乘并相加，以得到第一求和結(jié)果；

對所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差求和，以得到第二求和結(jié)果；

對所述第一求和結(jié)果和所述第二求和結(jié)果作商，以得到所述組合模型。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述m個(gè)目標(biāo)模型和所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差，得到組合模型之前，還包括：

獲取m組測試樣本；

分別通過所述m組測試樣本對所述m個(gè)目標(biāo)模型進(jìn)行測試；

所述根據(jù)所述m個(gè)目標(biāo)模型和所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差，得到組合模型，包括：

當(dāng)對所述m個(gè)目標(biāo)模型測試成功時(shí)，根據(jù)所述m個(gè)目標(biāo)模型和所述m個(gè)目標(biāo)模型各自對應(yīng)的分類標(biāo)簽方差，得到組合模型。