[發明專利]基于機器學習的測試結果分析方法及裝置

在審

• 申請號: 202110601501.5
• 申請日: 2021-05-31
• 公開（公告）號: CN113342648A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 李文婷;黃瓊;李美娜;賀克軍
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N20/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 劉熔;趙平

1.一種基于機器學習的測試結果分析方法，其特征在于，所述方法包括：

從原始測試結果集中采集多個樣本數據并有回放的隨機抽樣組成測試結果訓練集；

根據所述測試結果訓練集中樣本數據的數據類型不同進行分類后對所述測試結果訓練集進行樣本數據預處理，得到經過所述樣本數據預處理后的測試結果訓練集；

將所述測試結果訓練集中的樣本數據進行隨機特征抽取后構建得到隨機森林模型，并根據所述隨機森林模型得到目標測試結果。

2.根據權利要求1所述的基于機器學習的測試結果分析方法，其特征在于，所述對所述測試結果訓練集進行樣本數據預處理，得到經過所述樣本數據預處理后的測試結果訓練集，包括：

對所述測試結果訓練集中的樣本數據進行初始化，得到樣本數據矩陣；

對所述樣本數據矩陣進行歐式距離計算后，根據歐式距離計算結果中的至少一個最小歐式距離對應的樣本數據的權重值，對所述樣本數據進行缺失值填充處理，得到經過缺失值填充后的測試結果訓練集。

3.根據權利要求1所述的基于機器學習的測試結果分析方法，其特征在于，在所述構建得到隨機森林模型之后，在所述根據所述隨機森林模型得到目標測試結果之前，還包括：

根據預設網絡搜索算法按照設定步長依次對所述隨機森林模型進行參數調整，確定設定參數范圍內精度最高的最優參數為所述隨機森林模型的參數。

4.根據權利要求3所述的基于機器學習的測試結果分析方法，其特征在于，所述確定設定參數范圍內精度最高的最優參數為所述隨機森林模型的參數之后，還包括：

根據預設交叉驗證算法確定各所述測試結果訓練集的準確率平均值，將最大準確率平均值對應的測試結果訓練集的參數組合確定為最優參數。

5.一種基于機器學習的測試結果分析裝置，其特征在于，包括：

測試結果訓練集構建模塊，用于從原始測試結果集中采集多個樣本數據并有回放的隨機抽樣組成測試結果訓練集；

測試結果訓練集預處理模塊，用于根據所述測試結果訓練集中樣本數據的數據類型不同進行分類后對所述測試結果訓練集進行樣本數據預處理，得到經過所述樣本數據預處理后的測試結果訓練集；

隨機森林分析模塊，用于將所述測試結果訓練集中的樣本數據進行隨機特征抽取后構建得到隨機森林模型，并根據所述隨機森林模型得到目標測試結果。

6.根據權利要求5所述的基于機器學習的測試結果分析裝置，其特征在于，所述測試結果訓練集預處理模塊包括：

樣本數據初始化單元，用于對所述測試結果訓練集中的樣本數據進行初始化，得到樣本數據矩陣；

缺失值填充單元，用于對所述樣本數據矩陣進行歐式距離計算后，根據歐式距離計算結果中的至少一個最小歐式距離對應的樣本數據的權重值，對所述樣本數據進行缺失值填充處理，得到經過缺失值填充后的測試結果訓練集。

7.根據權利要求5所述的基于機器學習的測試結果分析裝置，其特征在于，所述隨機森林分析模塊包括：

網絡搜索單元，用于根據預設網絡搜索算法按照設定步長依次對所述隨機森林模型進行參數調整，確定設定參數范圍內精度最高的最優參數為所述隨機森林模型的參數。

8.根據權利要求5所述的基于機器學習的測試結果分析裝置，其特征在于，所述隨機森林分析模塊包括：

交叉驗證單元，用于根據預設交叉驗證算法確定各所述測試結果訓練集的準確率平均值，將最大準確率平均值對應的測試結果訓練集的參數組合確定為最優參數。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1至4任一項所述的基于機器學習的測試結果分析方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至4任一項所述的基于機器學習的測試結果分析方法的步驟。