[发明专利]模型训练方法及装置、存储介质、电子设备

权利要求书

1.一种模型训练方法，其特征在于，包括：

构建一决策函数模型并对所述决策函数模型进行训练得到多个训练样本的重要性度量值；

根据各所述重要性度量值对各所述训练样本进行降序排列，并将排序后的各所述训练样本生成一特征子空间；

对所述特征子空间的各所述训练样本进行分类并得到多个分类结果，将多个所述分类结果进行加权整合得到一预测分数；

判断所述预测分数是否与预设分数相同，并在判断所述预测分数与所述预设分数不同时，对所述决策函数模型的参数进行调整。

2.根据权利要求1所述的模型训练方法，其特征在于，构建一决策函数模型包括：

选择一线性核函数构建决策函数：f(x)＝＜w,x＞+b；

其中，f(x)为决策函数，＜w,x＞为线性核函数，w为重要性度量值，x为自变量，b为常数。

3.根据权利要求2所述的模型训练方法，其特征在于，对所述决策函数模型进行训练得到多个训练样本的重要性度量值包括：

假定所述决策函数的约束条件为：y_i[(w_i,x_i)+b]-1≥0；其中，x_i为第i个训练样本，y_i为与所述第i个训练样本对应的结果标签，b为常数，w_i为第i个训练样本的重要性度量值；

将多个训练样本以及与多个所述训练样本一一对应的结果标签代入所述约束条件中并判断所述约束条件是否成立；

将约束条件成立的各所述训练样本所对应的决策函数组成一最小化特征子集J，其中，J＝{J₁,J₂,...,J_m}，m为使约束条件成立的训练样本的个数；

对所述最小化特征子集J中的各训练样本所对应的决策函数进行泰勒展开得到：其中，ΔJ(i)为最小化目标函数J在第i个训练样本的增量，Δw_i为重要性度量值w在第i个训练样本的增量，为最小化目标函数J的一阶偏导数，为最小化目标函数J的二阶偏导数；

根据第i个所述训练样本对所述最小化目标函数的影响得出在所述最小化目标函数的最优点上，一阶偏导数为0，求解得到w_i。

4.根据权利要求3所述的模型训练方法，其特征在于，将排序后的各所述各所述训练样本生成一特征子空间包括：

S10，配置一空集的特征序列F以及一特征子集S；其中，F＝[]，S＝[1，…，p]，p为排序后的训练样本的个数且p≤m；

S20，判断所述特征子集S是否与φ相同并在判断所述特征子序列S与φ不相同时，将m个所述训练样本生成支持向量；

S30，根据各所述训练样本的特征值w_i计算所述支持向量中各所述训练样本的排序规则R_i，其中：R_i＝(w_i)²；

S40，根据所述排序规则R_i的大小，查找到最小排序规则对应的所述训练样本的序号，并将所述训练样本的序号添加至所述特征序列F中；

S50，重复步骤S30以及步骤S40，直至所述特征子集S与φ相同为止，并将每一次查找到的训练样本的序号添加至特征序列F中以得到特征子空间。

5.根据权利要求4所述的模型训练方法，其特征在于，对所述特征子空间的各所述训练样本进行分类并得到多个分类结果，将多个所述分类结果进行加权整合得到一预测分数包括：

利用多个分类器对所述特征序列F中的各序号对应的训练样本进行分类得到多个分类结果；

根据各所述分类结果绘制准确率与召回率曲线，并根据准确率与召回率曲线下面积计算各所述分类器的权重w_k，其中：

AUC_k为第k个分类器的准确率与召回率曲线下面积，MIN(AUC)为各所述分类器中准确率与召回率曲线下面积的最小值，MAX(AUC)为各所述分类器中准确率与召回率曲线下面积的最大值；

根据各所述分类器的权重w_k对多个所述预测分数进行整合得到所述预测分数Q，其中：q_k为第k个分类器的输出结果。