[发明专利]基于深度强化学习的数据分类方法、装置、设备及介质

说明书

本申请涉及人工智能技术领域，揭露一种基于深度强化学习的数据分类方法、装置、设备及介质，其中方法包括对获取的调查数据进行格式化处理，得到初始数据；对分类特征进行预处理，得到训练数据；通过训练数据和特征方案对结果信息进行训练，产生特征值；使用特征值调整训练数据的参数和特征方案的参数，并将参数调整后的训练数据和特征方案作为目标方案；通过深度强化学习模型，使用目标方案对结果信息进行迭代计算，得到分群决策模型；将获取的用户的特征数据输入到分群决策模型中，得到用户对应的分类。本申请还涉及区块链技术，调查数据存储于区块链中。本申请通过训练分群决策模型，实现提高对疾病的数据分类的准确性。

技术领域

本申请涉及人工智能技术领域，尤其涉及基于深度强化学习的数据分类方法、装置、设备及介质。

背景技术

为了节约医疗资源，目前人们将医疗辅助决策模型和方法运用于人群分类中，其能够帮助临床诊疗时医生的判断，降低医生工作负担，提高诊疗准确性，并且通过医疗辅助决策模型和方法能够对人群的数据划分不同的分类，从而提升人群对疾病的认知、自身与人群的对比情况的认知，同时提升人群对自己用药策略的认知。

现有的医疗辅助决策模型和方法仅仅根据人体的特征数据，对人群进行分类，不考虑其他因素。但是，在实际情况下，人群的不同用药策略、治疗结果和人体特征数据等等因素，都对人群的分类产生或大或小的影响。所以现有的医疗辅助决策模型和方法由于不考虑到用药策略、治疗结果等因素，这样导致对该疾病的数据分类准确性较低。现亟需一种能够通过不同因素对疾病进行数据分析，提高对疾病的数据分类的准确性的方法。

发明内容

本申请实施例的目的在于提出一种基于深度强化学习的数据分类方法，能够通过不同因素对疾病进行数据分析，以提高对疾病的数据分类的准确性的方法。

为了解决上述技术问题，本申请实施例提供一种基于深度强化学习的数据分类方法，包括：

从调查数据库中提取待分类疾病对应的调查数据，并对所述调查数据进行格式化处理，得到初始数据，所述初始数据包括：分类特征、特征方案和结果信息；

对所述分类特征进行预处理，得到训练数据；

通过所述训练数据和所述特征方案对所述结果信息进行训练，产生特征值；

使用所述特征值调整所述训练数据的参数和所述特征方案的参数，并将参数调整后的训练数据和特征方案作为目标方案；

通过深度强化学习模型，使用所述目标方案对所述结果信息进行迭代计算，得到分群决策模型；

针对任一用户，获取所述用户的特征数据，并将所述特征数据输入到所述分群决策模型中，得到所述用户对应的分类。

进一步的，所述对所述分类特征进行预处理，得到训练数据包括：

对所述分类特征中的分类变量做one-hot编码，得到分类特征编码；

采用z-score标准化方法，对所述分类特征编码做连续标准化，得到标准化数据；

对所述分类特征中的结局做二值化处理，得到二值化结果；

将所述标准化数据和所述二值化结果作为训练数据。

进一步的，所述对所述分类特征进行预处理，得到训练数据还包括：

通过特征工程，对所述分类特征进行特征合并，得到新的分类特征特征。

进一步的，所述通过所述训练数据和所述特征方案对所述结果信息进行训练，产生特征值包括：

将所述分类特征的对应数值作为所述训练数据的状态；

将所述特征方案进行离散值处理，作为所述训练数据的动作；