[发明专利]电子装置、多模型样本训练方法和计算机可读存储介质

权利要求书

1.一种电子装置，其特征在于，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的多模型样本训练系统，所述多模型样本训练系统被所述处理器执行时实现如下步骤：

A、接收用户上传的样本数据，确定所述样本数据的数据属性，所述数据属性包括类型和数量；

B、根据预先确定的机器学习模型与样本数据的数据属性的映射关系，确定所述样本数据的数据属性对应的机器学习模型；

C、将所述确定的机器学习模型分别对所述样本数据进行训练；

D、分析训练完成后得到的各个机器学习模型的训练结果，将符合预设条件的训练结果在显示界面上展示。

2.如权利要求1所述的电子装置，其特征在于，所述步骤C替换为：

C1、将所述确定的机器学习模型在操作界面上展示，以供用户选择待训练的机器学习模型；

C2、在接收到用户基于所述操作界面选择的待训练的机器学习模型后，将所述待训练的机器学习模型分别对所述样本数据进行训练。

3.如权利要求2所述的电子装置，其特征在于，所述步骤C2包括：

在接收到用户基于所述操作界面选择的待训练的机器学习模型后，在操作界面上显示各个待训练的机器学习模型的参数设置界面；

在各个带训练的机器学习模型完成参数设置后，采用所述待训练的机器学习模型分别对所述样本数据进行训练。

4.如权利要求1-3中任意一项所述的电子装置，其特征在于，所述训练结果包括机器学习模型训练的准确率和损失函数曲线；所述预设条件为：准确率大于预设值，或准确率降序排名的前预设名。

5.一种多模型样本训练方法，其特征在于，该方法包括步骤：

E、接收用户上传的样本数据，确定所述样本数据的数据属性，所述数据属性包括类型和数量；

F、根据预先确定的机器学习模型与样本数据的数据属性的映射关系，确定所述样本数据的数据属性对应的机器学习模型；

G、将所述确定的机器学习模型分别对所述样本数据进行训练；

H、分析训练完成后得到的各个机器学习模型的训练结果，将符合预设条件的训练结果在显示界面上展示。

6.如权利要求5所述的多模型样本训练方法，其特征在于，所述步骤G替换为：

G1、将所述确定的机器学习模型在操作界面上展示，以供用户选择待训练的机器学习模型；

G2、在接收到用户基于所述操作界面选择的待训练的机器学习模型后，将所述待训练的机器学习模型分别对所述样本数据进行训练。

7.如权利要求6所述的多模型样本训练方法，其特征在于，所述步骤G2包括：

在接收到用户基于所述操作界面选择的待训练的机器学习模型后，在操作界面上显示各个待训练的机器学习模型的参数设置界面；

在各个带训练的机器学习模型完成参数设置后，采用所述待训练的机器学习模型分别对所述样本数据进行训练。

8.如权利要求5-7中任意一项所述的多模型样本训练方法，其特征在于，所述训练结果包括机器学习模型训练的准确率和损失函数曲线；所述预设条件为：准确率大于预设值，或准确率降序排名的前预设名。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多模型样本训练系统，所述多模型样本训练系统可被至少一个处理器执行，以使所述至少一个处理器执行以下步骤：

接收用户上传的样本数据，确定所述样本数据的数据属性，所述数据属性包括类型和数量；

根据预先确定的机器学习模型与样本数据的数据属性的映射关系，确定所述样本数据的数据属性对应的机器学习模型；

将所述确定的机器学习模型分别对所述样本数据进行训练；

分析训练完成后得到的各个机器学习模型的训练结果，将符合预设条件的训练结果在显示界面上展示。

10.如权利要求9所述的计算机可读存储介质，其特征在于，所述将所述确定的机器学习模型分别对所述样本数据进行训练的步骤替换为：

将所述确定的机器学习模型在操作界面上展示，以供用户选择待训练的机器学习模型；

在接收到用户基于所述操作界面选择的待训练的机器学习模型后，将所述待训练的机器学习模型分别对所述样本数据进行训练。