[发明专利]模型训练方法、装置及系统

说明书

本申请公开了一种模型训练方法、装置及系统，属于AI领域。所述方法包括：接收第一分析设备发送的机器学习模型；基于第一训练样本集合，对所述机器学习模型进行增量训练，所述第一训练样本集合中的特征数据是所述局点分析设备所对应的局点网络的特征数据。本申请解决了离线训练得到的机器学习模型无法有效适配于局点分析设备的需求的问题，本申请实施例用于分类结果的预测。

技术领域

本申请涉及人工智能(Artificial Intelligence，AI)领域，特别涉及一种模型训练方法、装置及系统。

背景技术

机器学习，是指让机器基于训练样本训练出机器学习模型，使机器学习模型对训练样本之外的样本具有类别预测能力。

目前，数据分析系统包括用于数据分析的多个分析设备，该多个分析设备可以包括云端分析设备和局点分析设备，机器学习模型在该系统中的部署方法包括：由云端分析设备进行模型的离线训练，然后将离线训练后的模型直接部署在该局点分析设备。

但是，训练得到的模型可能无法有效适配于局点分析设备的需求。

发明内容

本申请实施例提供了一种模型训练方法、装置及系统。所述技术方案如下：

第一方面，提供了一种模型训练方法，应用于局点分析设备，包括：

接收第一分析设备发送的机器学习模型，可选地，该第一分析设备为云端分析设备；

基于第一训练样本集合，对所述机器学习模型进行增量训练，所述第一训练样本集合中的特征数据是所述局点分析设备所对应的局点网络的特征数据。

一方面，第一训练样本集合中的特征数据是从该局点分析设备所对应的局点网络获取的特征数据，其更适配于局点分析设备的应用场景，采用包括局点分析设备从对应的局点网络获取的特征数据的第一训练样本集合进行模型训练，可以使得训练后的机器学习模型更适配于该局点分析设备自身的需求，实现模型的定制化，提高模型的应用灵活性；另一方面，通过离线训练和增量训练结合的方式来训练机器学习模型，可以在局点分析设备所获取的特征数据的类别或模式出现变化时，进行机器学习模型的增量训练，实现机器学习模型的灵活调整，从而保证训练得到的机器学习模型符合局点分析设备的需求。因此，本申请实施例提供的模型训练方法，相较于相关技术，能够有效适配于局点分析设备的需求。

可选地，在所述接收第一分析设备发送的机器学习模型之后，所述方法还包括：

采用所述机器学习模型进行分类结果的预测；

可选地，所述方法还包括：向所述评估设备发送预测信息，所述预测信息包括预测得到的分类结果，以供所述评估设备基于所述预测信息评估所述机器学习模型是否发生劣化。在一种示例中，局点分析设备可以在每次采用机器学习模型进行分类结果的预测之后，向评估设备发送预测信息，该预测信息包括预测得到的分类结果；在另一种示例中，局点分析设备还可以周期性地向评估设备发送预测信息，该预测信息包括当前周期获取的分类结果；在又一种示例中，局点分析设备还可以在获取的分类结果数量达到数量阈值后，向评估设备发送预测信息，该预测信息包括获取的分类结果；在再一种示例中，局点分析设备还可以在设定的时间段内向评估设备发送预测信息，该预测信息包括当前获取的分类结果，如此可以避免干扰用户业务。

所述基于第一训练样本集合，对所述机器学习模型进行增量训练，包括：

在接收到所述评估设备发送的训练指令后，基于所述第一训练样本集合，对所述机器学习模型进行增量训练，所述训练指令用于指示对所述机器学习模型进行训练。

可选地，所述机器学习模型用于对一个或多个关键绩效指标KPI特征数据组成的待预测数据进行分类结果的预测；所述KPI特征数据为KPI时间序列的特征数据，或者为KPI数据；