[發明專利]冗余特征檢測方法、檢測裝置、電子設備和介質

在審

• 申請號: 202110492602.3
• 申請日: 2021-05-06
• 公開（公告）號: CN113077016A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 李策;孔繁爽;曹帥毅
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G06Q40/06
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 張體南

1.一種模型的冗余特征檢測方法，包括：

獲得待評估模型的第一特征集合和第一指標，其中，所述待評估模型包括使用所述第一特征集合和第一機器學習算法基于訓練集對初始模型進行訓練后，獲得的具有第一參數信息的模型，所述第一指標用于表征所述待評估模型對測試集的預測性能；

從所述第一特征集合中剔除M個特征獲得第二特征集合，其中，M為大于或等于1的整數；

獲得重構模型，其中，所述重構模型包括使用所述第二特征集合和所述第一機器學習算法基于所述訓練集對所述初始模型進行訓練后，獲得的具有第二參數信息的模型；

當所述重構模型的第二指標與所述第一指標的比值大于或等于第一預設閾值時，確定所述M個特征為冗余特征，其中，所述第二指標用于表征所述重構模型對所述測試集的預測性能。

2.根據權利要求1所述的冗余特征檢測方法，其中，

所述方法包括重復執行所述剔除、獲得重構模型、以及確定冗余特征的操作，直至檢測完成所述第一特征集合中的全部特征；

則，所述從所述第一特征集合中剔除M個特征獲得第二特征集合包括：從所述第一特征集合中逐個剔除特征；

其中，當確定一個特征為非冗余特征時，將該特征在下一次檢測過程中放回后重復執行所述剔除、獲得重構模型、以及確定冗余特征的操作。

3.根據權利要求2所述的冗余特征檢測方法，其中，從所述第一特征集合中逐個剔除特征包括：

將i的初始值賦為[1，N]內的任一數值，循環執行以下操作直至循環N次，其中，N為第一特征集合中的特征的個數，i為大于或等于1的整數：

從所述第一特征集合中剔除第i個特征，獲得對應的所述第二特征集合；

當確定所述第i個特征為冗余特征時，剔除所述第i個特征，然后令i＝i+1；

當確定所述第i個特征為非冗余特征時，放回所述第i個特征，然后令i＝i+1。

4.根據權利要求3所述的冗余特征檢測方法，其中，從所述第一特征集合中剔除第i個特征，獲得對應的所述第二特征集合后，所述獲得所述重構模型包括：

基于所述待評估模型的第一超參數信息配置訓練過程，使用所述第二特征集合和所述第一機器學習算法基于所述訓練集訓練所述初始模型，獲得所述重構模型。

5.根據權利要求1所述的冗余特征檢測方法，其中，所述從所述第一特征集合中剔除M個特征獲得第二特征集合包括：

獲得代理模型，其中，所述代理模型包括使用所述第一特征集合和第二機器學習算法基于所述訓練集對所述初始模型進行訓練后，獲得的具有第三參數信息的模型；

當所述代理模型的第三指標與所述第一指標的比值大于或等于所述第一預設閾值時，基于所述第二機器學習算法獲得所述第一特征集合中每個特征的重要度，其中，所述第三指標用于表征所述代理模型對于所述測試集的預測性能；

基于每個特征的所述重要度，從所述第一特征集合中剔除所述重要度小于或等于第二預設閾值的M個特征，以獲得所述第二特征集合。

6.根據權利要求5所述的冗余特征檢測方法，其中，所述獲得重構模型包括：

獲得第二超參數信息，其中，所述第二超參數信息與所述待評估模型的第一超參數信息不同；

基于所述第二超參數信息配置訓練過程，使用所述第二特征集合和所述第一機器學習算法基于所述訓練集對所述初始模型進行訓練，獲得所述重構模型。

7.根據權利要求1所述的冗余特征檢測方法，其中，所述第一特征集合包括N個特征，其中，N大于M，在所述確定所述M個特征為冗余特征后，所述方法還包括：

當從所述第二特征集合剔除任一特征，獲得的所述重構模型的第二指標與所述第一指標的比值小于所述第一預設閾值時，確定所述第一特征集合的冗余特征的個數為M；以及

基于M與N的比值對所述待評估模型進行冗余性評估。