[发明专利]用于自动训练机器学习模型的方法和系统

权利要求书

1.一种由计算装置执行的用于自动训练机器学习模型的方法，包括：

获取包括多条数据记录的数据集；

通过元学习来确定针对所述数据集的特征工程策略；

利用确定的特征工程策略产生与数据集中的每条数据记录有关的特征；

至少基于产生的特征来构建机器学习样本；

基于自动获得的超参数取值，利用构建的机器学习样本训练机器学习模型。

2.如权利要求1所述的方法，其中，通过元学习来确定针对所述数据集的特征工程策略的步骤包括：

分析数据集以获得反映数据集整体特性的元特征；

基于获得的元特征确定针对所述数据集的特征工程策略。

3.如权利要求2所述的方法，其中，基于获得的元特征确定针对所述数据集的特征工程策略的步骤包括：

基于元特征与特征工程策略之间的对应关系，自动基于获得的元特征确定针对所述数据集的特征工程策略；或者

基于获得的元特征，利用另一机器学习模型确定针对所述数据集的特征工程策略。

4.如权利要求3所述的方法，其中，利用另一机器学习模型确定针对所述数据集的特征工程策略的步骤包括：

基于获得的元特征利用作为所述另一机器学习模型的聚类模型确定与所述数据集相似的已经具有对应的模型训练结果的历史数据集，并将与所述历史数据集对应的特征工程策略确定为针对所述数据集的特征工程策略；或者

将基于获得的元特征构成的预测样本输入作为所述另一机器学习模型的预测模型，并将所述预测模型针对该预测样本的预测结果作为针对所述数据集的特征工程策略，其中，所述预测模型被事先训练为基于元特征预测与元特征对应的特征工程策略。

5.如权利要求2所述的方法，其中，分析数据集以获得反映数据集整体特性的元特征的步骤包括：

分析数据集以获得与数据集中包括的数据记录的数量、数据记录中包括的特征的类型、特征的数量和/或特征的取值有关的统计信息，作为所述元特征。

6.如权利要求5所述的方法，其中，元特征包括以下项中的至少一项：数据集中包括的数据记录的数量、数据记录中包括的离散特征的数量、数据记录中包括的连续特征的数量、数据记录中是否存在时间特征、数据记录中包括的时间特征的数量、每个离散特征的填充度、每个连续特征的填充度、所有离散特征的平均填充度、所有连续特征的平均填充度、各个连续特征取值的均值、方差、中位数、最大值或最小值、各个离散特征的不同取值的个数。

7.如权利要求6所述的方法，其中，基于获得的元特征确定针对所述数据集的特征工程策略的步骤包括以下操作中的至少一个：

响应于离散特征在分布上强于连续特征，将针对所述数据集的特征工程策略确定为：将连续特征离散化以获得离散化特征，并在原始离散特征和离散化特征的笛卡尔积组合中搜索有益于模型训练效果的离散特征组合，作为产生的与每条数据记录有关的特征；

响应于连续特征在分布上强于离散特征，将针对所述数据集的特征工程策略确定为：利用所述数据集训练梯度提升决策树模型，并将基于每条数据记录构成的样本所落在的每个决策树的叶子节点的编号作为产生的与每条数据记录有关的特征；

响应于数据集中存在时间特征，将针对所述数据集的特征工程策略确定为：按照时间特征对所述多条数据记录进行排序，在利用排序后的数据记录依次训练逻辑回归模型的过程中，基于与该逻辑回归模型的模型参数相关的参数项获取与当前数据记录相应的时序特征，作为产生的与每条数据记录有关的特征；

响应于数据集中包括多个时间特征，将针对所述数据集的特征工程策略确定为：针对每条数据记录，通过将所述多个时间特征两两组合后相减来产生与每条数据记录有关的特征。

8.一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如权利要求1至7中的任一权利要求所述的方法。