[发明专利]一种机器学习方法、装置、电子设备及存储介质

说明书

本申请涉及一种机器学习方法、装置、电子设备及存储介质，该方法包括：获取待学习项目的配置文件，所述配置文件包括所述待学习项目中项目步骤对应的参数空间信息；根据所述参数空间信息执行所述项目步骤，训练得到所述待学习项目的候选模型；根据所述候选模型确定所述待学习项目的学习结果。该技术方案通过预先设定的配置文件，对于机器学习流程的各个步骤，根据配置文件中设定的参数空间进行自动学习，得到所需学习结果。从而减轻算法人员的工作量，提高机器学习效率，缩短学习周期。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种机器学习方法、装置、电子设备及存储介质。

背景技术

随着海量数据的出现，人工智能技术迅速发展，而机器学习是人工智能发展到一定阶段的必然产物，其致力于通过计算的手段，从大量数据中挖掘有价值的潜在信息。

机器学习越来越广泛地被用于各种业务场景，通过对业务数据的清洗、特征提取和筛选以及模型选择和参数调整来获取最终最优的机器学习模型，是每个算法人员的工作，当然这个过程包括了大量重复和经验性的劳动，使得机器学习效率较低，学习周期较长。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请实施例提供了一种机器学习方法、装置、电子设备及存储介质。

第一方面，本申请实施例提供了一种机器学习方法，包括：

获取待学习项目的配置文件，所述配置文件包括所述待学习项目中项目步骤对应的参数空间信息；

根据所述参数空间信息执行所述项目步骤，训练得到所述待学习项目的候选模型；

根据所述候选模型确定所述待学习项目的学习结果。

可选的，所述方法还包括：

安装所述待学习项目的依赖库。

可选的，所述待学习项目的项目步骤包括：数据处理、特征工程、模型选择和参数调整；

所述配置文件包括至少一个所述项目步骤对应的参数空间信息。

可选的，所述数据处理对应的参数空间信息包括：可选数据处理规则；

所述特征工程对应的参数空间信息包括：可选特征工程算法；

所述模型选择对应的参数空间信息包括：可选模型类型；

所述参数调整对应的参数空间信息包括：可选优化器算法及学习速率的取值范围。

可选的，所述配置文件还包括：所述待学习项目的项目信息；

所述项目信息包括以下至少一项：项目名称、同时运行最大任务数、最大运行总时间、最大运行总任务数、自动调参算法及流水线程序入口。

可选的，所述根据所述候选模型确定所述待学习任务的学习结果，包括：

获取所述候选模型的性能指标；

根据所述性能指标计算所述候选模型的第一权重值；

根据所述第一权重值确定所述学习结果。

可选的，所述根据所述第一权重值确定所述学习结果，包括：

对所述第一权重值进行归一化处理，得到第二权重值；

根据所述第二权重值选择作为所述学习结果的候选模型。

可选的，所述方法还包括：

根据所述学习结果生成所述待学习项目对应的第一用户界面组件；

根据所述第一用户界面组件在用户界面上显示所述学习结果。