[发明专利]泛型决策树构建方法、装置、设备及可读存储介质

说明书

本申请公开了一种泛型决策树构建方法、装置、设备和可读存储介质，所述泛型决策树构建方法包括：获取待构建决策树，并判断所述待构建决策树的待拆分节点是否可拆分，若所述待拆分节点可拆分，则获取所述待拆分节点对应的特征变量，并基于预设变量选择规则对所述特征变量进行选择，获得拆分变量，获取所述待拆分节点对应的拆分模型，并基于所述拆分模型对所述拆分变量进行拆分，以生成所述拆分变量对应的孩子节点，若所述待拆分节点不可拆分，则将所述待拆分节点作为所述泛型决策树的叶子节点。本申请解决了决策树模型计算效率低和灵活性差的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种泛型决策树构建方法、装置、设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能的不断发展，机器学习建模的应用也越来越广泛，其中，决策树模型是一种被广泛使用的机器学习模型，目前，常用的决策树模型包括单颗决策树、梯度提升树和随机森林树，其中，单颗决策树模型的节点拆分规则通常是按照某种增益计算方式对所有特征进行计算，取增益最大的那个变量作为拆分规则，常见的规则有gini增益、entropy增益、卡方等，但是所述拆分规则每次拆分仅能使用一个特征，进而导致限制了算法效果，浪费了其他特征计算结果，且其计算规则往往限定于几种公式，缺乏灵活性，而对于梯度提升树和随机森林树，其算法效果好于单棵决策树，但是其计算量远远大于单颗决策树，进而导致其计算量过大，且无法像单颗决策树一样可以针对单个节点进行交互式建模，失去了决策树模型的灵活性，所以，现有技术中存在决策树模型计算效率低和灵活性差的技术问题。

发明内容

本申请的主要目的在于提供一种泛型决策树构建方法、装置、设备和可读存储介质，旨在解决现有技术中决策树模型计算效率低和灵活性差的技术问题。

为实现上述目的，本申请实施例提供一种泛型决策树构建方法，所述泛型决策树构建方法应用于泛型决策树构建设备，所述泛型决策树构建方法包括：

获取待构建决策树，并判断所述待构建决策树的待拆分节点是否可拆分；

若所述待拆分节点可拆分，则获取所述待拆分节点对应的特征变量，并基于预设变量选择规则对所述特征变量进行选择，获得拆分变量；

获取所述待拆分节点对应的拆分模型，并基于所述拆分模型对所述拆分变量进行拆分，以生成所述拆分变量对应的孩子节点；

若所述待拆分节点不可拆分，则将所述待拆分节点作为所述泛型决策树的叶子节点。

可选地，所述拆分模型包括单个训练模型，

所述基于所述拆分模型对所述拆分变量进行拆分，以生成所述拆分变量对应的孩子节点的步骤包括：

将所述拆分变量输入所述单个训练模型，以对所述单个训练模型进行训练，获得第一模型训练结果；

基于所述第一模型训练结果，对所述拆分变量进行拆分，获得拆分结果；

基于所述拆分结果，生成所述拆分变量对应的所述孩子节点。

可选地，所述拆分模型包括多个训练模型，

所述基于所述拆分模型对所述拆分变量进行拆分，以生成所述拆分变量对应的孩子节点的步骤包括：

将所述拆分变量输入各所述训练模型，以对各所述训练模型进行训练，获得第二模型训练结果；

基于各所述第二模型训练结果，筛选各所述训练模型中的最优训练模型；