[發明專利]數據挖掘模型構建方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202211545516.5
• 申請日: 2022-12-05
• 公開（公告）號: CN116167011A
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 鄭子彬;徐福仁;林昊;蔡倬;趙山河;王耀南;林華春
• 申請（專利權）人: 招聯消費金融有限公司;中山大學
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/214;G06N20/00
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 左幫勝

本申請涉及一種數據挖掘模型構建方法、裝置、計算機設備和存儲介質。所述方法包括：獲取訓練樣本數據；基于訓練樣本數據分別訓練至少三個子模型，得到至少三個目標子模型；再將至少三個目標子模型輸出結果進行融合得到融合子模型輸出結果；基于融合子模型輸出結果和對象特征標識訓練第一初始網絡模型，得到第一目標網絡模型；獲取第一目標網絡模型的第一輸出結果，基于第一輸出結果訓練第二初始網絡模型，得到第二目標網絡模型；基于訓練樣本數據訓練第二初始網絡模型，得到第三目標網絡模型；基于至少三個目標子模型、第一目標網絡模型、第二目標網絡模型、第三目標網絡模型得到目標數據挖掘模型。采用本方法能夠有效提高模型準確度。

技術領域

本申請涉及計算機技術領域，特別是涉及一種數據挖掘模型構建方法、裝置、計算機設備和存儲介質。

背景技術

隨著計算機技術的發展，各行業自動化實現程度日趨廣泛，進而產生了對大量數據進行信息挖掘的巨大需求，而對數據挖掘模型的合理構建會直接影響數據挖掘技術的準確性。

傳統技術中，通常采用單個神經網絡模型對樣本數據進行訓練以此來構建數據挖掘模型，但訓練后的網絡模型準確度差。

發明內容

基于此，有必要針對上述技術問題，提供一種數據挖掘模型構建方法、裝置、計算機設備和計算機可讀存儲介質，能有效提高模型準確度。

一種數據挖掘模型構建方法，包括：

獲取訓練樣本數據，訓練樣本數據包括對象特征數據與對象特征標識；

基于訓練樣本數據分別訓練至少三個子模型，基于至少三個子模型輸出分別調整對應的子模型參數，得到至少三個目標子模型；

分別獲取至少三個目標子模型對應的至少三個目標子模型輸出結果；

將至少三個目標子模型輸出結果進行融合得到融合子模型輸出結果；

基于融合子模型輸出結果和對象特征標識訓練第一初始網絡模型，得到第一目標網絡模型；

獲取第一目標網絡模型的第一輸出結果，基于第一輸出結果訓練第二初始網絡模型，得到第二目標網絡模型；

基于訓練樣本數據訓練第二初始網絡模型，得到第三目標網絡模型；

基于至少三個目標子模型、第一目標網絡模型、第二目標網絡模型、第三目標網絡模型得到目標數據挖掘模型。

在一個實施例中，獲取訓練樣本數據之前，還包括：

獲取原始特征數據；

對原始特征數據的各個維度數據進行相關性分析得到各個維度數據對應的相關度；

將相關度大于或等于預設閾值所對應的維度數據組合得到訓練樣本數據。

在一個實施例中，基于訓練樣本數據分別訓練至少三個子模型，基于至少三個子模型輸出分別調整對應的子模型參數，得到至少三個目標子模型，包括：

基于五折交叉驗證的方法，通過訓練樣本數據訓練至少三個子模型；

基于至少三個子模型輸出得到至少三個子模型中每個子模型在五折交叉驗證方法下的模型精度；

根據模型精度得到至少三個目標子模型。

在一個實施例中，基于融合子模型輸出結果和對象特征標識訓練第一初始網絡模型，得到第一目標網絡模型，包括：

基于五折交叉驗證的方法，通過融合子模型輸出結果和對象特征標識訓練第一初始網絡模型；

基于第一初始網絡模型輸出結果確定第一初始網絡模型在五折交叉驗證方法下的模型精度；

根據模型精度確定第一目標網絡模型。