[发明专利]一种模型训练方法、存储介质及电子设备

说明书

本发明提供一种模型训练方法，用于整合多个基模型，以准确的预测数据集的结果，该方法包括步骤，获取数据集，数据集包括特征参数及验证参数；训练基础模型，并将特征参数输入基础模型中预测结果；及利用预测结果及验证参数训练终模型。本发明还提供一种存储介质，存储介质中存储有计算机程序，计算机程序被设置为运行时执行模型训练方法。本发明还提供一种电子装置，其包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为通过所述计算机程序执行模型训练方法。

【技术领域】

本发明涉及机器学习领域，尤其涉及一种模型训练方法、存储介质及电子设备。

【背景技术】

机器学习是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多门学科。专门研究计算机怎么模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。如，利用多组数据的输入与输出关系，总结出基础模型，继而可以利用数据输入基础模型，直接得到结果。

现有的基础模型通常只能针对数据的一项参数，如预测商店一天购买的人数，基础模型通常提取一个特征参数，如天气因素、过往经验等等，无法整合多个参数进行预测，模型针对数据的利用率不高。

【发明内容】

为克服现有问题，本发明提供一种模型训练方法、存储介质及电子设备。

本发明解决技术问题的技术方案是提供一种模型训练方法，用于整合多个基模型，以准确的预测数据集的结果，该方法包括步骤，

获取数据集，数据集包括特征参数及验证参数；

训练基础模型，并将特征参数输入基础模型中预测结果；及利用预测结果及验证参数训练终模型。

优选地，终模型为将预测结果当作输入参数及将验证参数当作输出参数进行模型训练后得到的模型。

优选地，模型训练为利用输入参数与输出参数建立的函数关系式，以使向训练出的模型中输入参数可生成输出参数。

优选地，获取数据集后还包括从数据集中提取特征集。

优选地，特征集为输入参数，所述验证参数为输出结果，利用所述特征集及所述验证参数可进行模型的训练。

优选地，特征集包括多个特征参数，所述特征参数包括属性及属性值，所述特征集中的特征参数属性相同。

优选地，将数据集输入基础模型中预测结果包括训练基础模型及利用训练好的基础模型对输入的参数进行预测。

优选地，基础模型为对应一种输入参数进行结果预测的函数关系式。

本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行模型训练方法。

本发明还提供一种电子装置，其包括存储器和处理器，其特征在于：所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行模型训练方法。

与现有技术相比，本发明提供的一种模型训练方法具有以下优点：

1.通过以基础模型的预测结果为输入参数，训练出终模型，将终模型与基础模型配合，以充分利用数据集中的特征参数，提高预测的效果。

2.解决基础模型面对数据类型的单一性问题，可以同时以多个特征参数为输入值进行预测，不使数据集中的部分特征丢失，进而预测的效果更加全面。

【附图说明】

图1是模型训练方法流程示意图。

图2是数据集组成模块示意图。

图3是模型训练方法细节流程示意图。

图4A是决策函数模型原理示意图。