[发明专利]一种基于逻辑回归的分类方法及装置

权利要求书

1.一种基于逻辑回归的分类方法，其特征在于，所述方法包括：

获取目标对象的特征数据；所述目标对象包括至少三种类别，且每种类别的所述目标对象的相应特征数据的特征值不同；

将所述特征数据，分别输入所述目标对象对应的已训练的每种类别的二分类模型，得到所述目标对象属于所述每种类别的概率值；所述二分类模型是基于逻辑回归算法对所述目标对象对应的每种类别的训练样本训练得到的；

根据所述目标对象属于每种类别的概率值，获取所述目标对象的概率序列；

检测所述概率序列是否满足预设条件，并根据检测结果，确定所述概率序列中的目标概率；

将所述目标概率对应的类别确定为所述目标对象的预测类别。

2.如权利要求1所述的方法，其特征在于，根据所述目标对象属于每种类别的概率值，获取所述目标对象的概率序列，包括：

采用预设归一化算法，对所述目标对象属于每种类别的概率值进行处理，得到所述每种类别的概率值对应的归一化的概率值，其中，所述每种类别对应的归一化的概率值的和为1；

获取所述目标对象的概率序列。

3.如权利要求1所述的方法，其特征在于，若所述目标对象包括三种类别，则所述概率序列包括三个概率值；

检测所述概率序列是否满足预设条件，包括：

计算所述概率序列的均值和标准差；

若所述概率序列的均值和标准差满足所述预设条件，则确定所述概率序列满足预设条件；

其中，所述预设条件为所述概率序列中第一大的概率值与第二大的概率值的差，小于预设系数与所述均值的乘积，且所述标准差小于所述均值。

4.如权利要求3所述的方法，其特征在于，根据检测结果，确定所述概率序列中的目标概率，包括：

若所述检测结果为所述概率序列满足预设条件，则将所述概率序列中的第二大的概率值确定为目标概率；

若所述检测结果为所述概率序列不满足预设条件，则将所述概率序列中的第一大的概率值确定为目标概率。

5.如权利要求1所述的方法，其特征在于，将所述特征数据，分别输入已训练的所述目标对象对应的每种类别的二分类模型之前，所述方法还包括：

对所述特征数据进行数据预处理，得到预处理后的特征数据；

所述数据预处理的公式可以表示为：

其中，所述X_new为处理后的特征数据，所述X_i为第i个待处理的特征数据，所述X_min为最小特征数据和所述X_max为最大特征数据。

6.如权利要求3所述的方法，其特征在于，所述每种类别的二分类模型的训练过程包括：

根据所述目标对象对应的样本数据集，获取训练样本数据集和测试样本数据集；其中，所述样本数据集包括三种类别的样本标签和相应样本的特征数据；所述训练样本数据集包括所述三种类别的样本标签和相应训练样本的特征数据，所述测试样本数据集包括已知类别的样本标签和相应测试样本的特征数据；

针对每种样本标签，采用逻辑回归算法，对所述样本标签和相应的训练样本的特征数据进行训练，得到所述每种样本标签的二分类模型；

针对每个测试样本，采用所述每种样本标签的二分类模型，分别对所述测试样本的特征数据进行样本标签分类，得到所述测试样本属于所述每种样本标签的概率值；

根据所述测试样本属于所述每种样本标签的概率值，获取所述测试样本的概率序列，并将满足预设条件的所述概率序列中的目标概率对应的类别，确定为所述测试样本的预测类别；

根据所述每个二分类模型对应的已知类别的样本标签与相应二分类模型得到的每个测试样本的预测类别的损失值，对相应二分类模型进行迭代更新，得到训练出的所述目标对象对应的每种样本标签的二分类模型。