[发明专利]自动集成机器学习的方法、装置、介质及电子设备

权利要求书

1.一种自动集成机器学习的方法，其特征在于，所述方法包括以下步骤：

步骤S1:获取预配置的至少两个机器学习模型、各个所述机器学习模型的超参数搜索空间、集成算法以及所述集成算法的集成算法参数组，其中，所述集成算法参数组包括至少一个集成算法参数；

步骤S2:将在所述超参数搜索空间的范围内选择的第一超参数输入到各个所述机器学习模型中；

步骤S3:根据所述集成算法以及所述集成算法参数组中的第一集成算法参数将所述至少两个机器学习模型进行集成，生成第一集成模型；

步骤S4:对所述第一集成模型进行训练和模型评分，得到评分结果；

步骤S5:以依次执行的步骤S2、步骤S3、步骤S4作为一个循环，在重复执行所述循环后，根据各个所述循环的评分结果确定目标集成模型。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：

根据以下任一种集成算法将所述至少两个机器学习模型进行集成：

堆叠集成算法、装袋集成算法和提升集成算法。

3.根据权利要求1所述的方法，其特征在于，在所述步骤S1之前，所述方法还包括：

生成json格式的配置文件，所述配置文件包括所述至少两个机器学习模型、各个所述机器学习模型的超参数搜索空间、至少两个所述集成算法以及各个所述集成算法的集成算法参数组。

4.根据权利要求1所述的方法，其特征在于，所述目标集成模型包括最优超参数和最优集成算法参数，所述根据各个所述循环的评分结果确定目标集成模型，包括：

根据各个所述循环的评分结果和所述循环执行的次数确定目标集成模型。

5.根据权利要求1所述的方法，其特征在于，所述步骤S4之后，所述方法还包括：

根据所述评分结果和优化算法选取下一个所述循环的超参数和集成算法参数。

6.根据权利要求1所述的方法，其特征在于，所述机器学习模型来源于以下任一种机器学习框架：

Tensorflow符号数学系统、pytorch深度学习框架、sklearn机器学习语言库。

7.根据权利要求1所述的方法，其特征在于，所述机器学习模型具有权重参数，所述方法还包括：

根据各个所述机器学习模型的所述权重参数确定集成过程中各个所述机器学习模型的权重。

8.一种自动集成机器学习的装置，其特征在于，所述装置包括：

获取单元，用于获取预配置的至少两个机器学习模型、各个所述机器学习模型的超参数搜索空间、集成算法以及所述集成算法的集成算法参数组，其中，所述集成算法参数组包括至少一个集成算法参数；

参数输入单元，用于将在所述超参数搜索空间的范围内选择的第一超参数输入到各个所述机器学习模型中；

集成单元，用于根据集成算法以及所述集成算法参数组中的第一集成算法参数将所述至少两个机器学习模型进行集成，生成第一集成模型；

训练评分单元，用于对所述第一集成模型进行训练和模型评分，得到评分结果；

择优单元，用于在所述输入单元、所述集成单元、所述训练评分单元重复依次进行输入、集成、训练和评分操作的循环后，根据各个所述循环的评分结果确定目标集成模型。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的自动集成机器学习的方法。

10.一种电子设备，其特征在于，包括：

一个或若干处理器；

存储装置，用于存储一个或若干程序，当所述一个或若干程序被所述一个或若干处理器执行时，使得所述一个或若干处理器实现如权利要求1至7中任一项所述的自动集成机器学习的方法。