[发明专利]一种差异最小化随机分组方法及系统

说明书

本发明提供了一种差异最小化随机分组方法，包括：获取多个预设分组的数据信息，其中数据信息包括：至少一控制因素及各控制因素对应的多个水平参数类别下当前已分组对象的数量；根据各水平参数类别下当前已分组对象的数量，构建第一参数矩阵；获取待分组对象的基本信息，根据基本信息，依次将待分组对象划入各预设分组中对应的水平参数类别中；分别根据加入待分组对象后的各水平参数类别下当前已分组对象的数量，构建与各预设分组对应的第二参数矩阵；根据第一参数矩阵和各第二参数矩阵，得到待分组对象的划分概率结果。解决了传统最小化随机算法中未考虑全局不均衡性对算法处理结果的影响，使得本算法具有更强的均衡性和适应性。

技术领域

本发明涉及机器学习技术领域，具体涉及一种差异最小化随机分组方法及系统。

背景技术

最小化法是在1974年由Taves在偏性掷币法的基础上改进而来，目前，在国内外有关最小化随机算法的研究偏重于对该算法的统计理论、统计效能、偏倚控制、预测性或应用等方面，主要是对该算法正确应用讨论为主，而有关分析最小化随机算法缺陷及其改进的研究非常少。

传统最小化随机算法最小化法的核心思想在于当试验中每增加一个新的待分组对象时，都先计算一下将其分入所有可能的处理组后导致在试验设定控制因素上引起的不均衡性，再以一定概率将此待分组对象尽可能分配到使试验不均衡最小的处理组内，这样可以保证整个试验在控制因素上不均衡性达到最小，但这种算法只关注了特定控制因素和其特定水平上的变化，并据此来判断其对各处理组间的影响，但未考虑对各控制因素所有水平上的全局变化和其对不同处理组间均衡的影响，因此，在新增一个待分组对像时，如何在最小化随机算法中考虑全局不均衡性对算法处理结果的影响，对进一步改善最小化随机算法的评估性能有着重要意义。

发明内容

有鉴于此，本发明实施例提供了一种差异最小化随机分组方法及系统，以解决现有技术中传统的最小化随机算法，没有考虑待分组对象对各控制因素所有水平上的全局变化以及对不同处理组间均衡性影响的问题。

本发明实施例提供了一种差异最小化随机分组方法，包括：获取多个预设分组的数据信息，其中所述数据信息包括：至少一控制因素及各所述控制因素对应的多个水平参数类别下当前已分组对象的数量；根据各所述水平参数类别下当前已分组对象的数量，构建第一参数矩阵；获取待分组对象的基本信息，根据所述基本信息，依次将所述待分组对象划入各所述预设分组中对应的所述水平参数类别中；分别根据加入待分组对象后的各所述水平参数类别下当前已分组对象的数量，构建与各所述预设分组对应的第二参数矩阵；根据所述第一参数矩阵和各所述第二参数矩阵，得到待分组对象的划分概率结果。

可选地，所述根据所述基本信息，将所述待分组对象划入所述预设分组中对应的所述水平参数类别中，包括：从所述基本信息中获取与各所述水平参数类别对应的各水平参数值；根据各所述水平参数类别的预设划分条件，确定与各所述水平参数值对应的各所述水平参数类别；将所述待分组对象划入满足所述预设划分条件的各所述水平参数类别中。

可选地，所述根据所述第一参数矩阵和各所述第二参数矩阵，得到待分组对象的划分概率结果，包括：分别计算各所述第二参数矩阵与第一参数矩阵的差，得到与各所述第二参数矩阵对应的差异矩阵；根据所述差异矩阵，计算全局不均衡指标值；根据所述全局不均衡指标值，生成各所述预设分组的分布差异向量；根据各所述分布差异向量，生成所述待分组对象的划分概率结果。

可选地，通过如下公式计算所述全局不均衡指标值：

其中，i表示试验分组序号，范围从1到m；j表示控制因素序号，范围从1到n；k表示控制因素j下各水平参数序号，从1到L_j，L_j表示第j个控制因素下的水平参数类别的个数，f_a和f_e分别表示控制因素j下的水平参数k在各试验分组i内被分组对象数量的实际频数和期望频数。