[发明专利]二分类模型构建方法、装置、设备及计算机可读存储介质

说明书

本发明公开了一种二分类模型构建方法、装置、设备及计算机可读存储介质，所述方法包括：获取训练样本的各特征属性与预设二分类目标之间的单调性关系；采用所述训练样本训练梯度提升树，并对所述梯度提升树的各决策树中不符合自身对应的所述单调性关系的分裂节点进行剪枝；根据剪枝后的梯度提升树得到目标二分类模型。本发明实现了在梯度提升树训练过程中融合业务知识，以使得模型的分类结果具备较高的可信度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种二分类模型构建方法、装置、设备及计算机可读存储介质。

背景技术

梯度提升树(Gradient Boosting Decision Tree，GBDT)作为一种集成学习方法，在许多领域已有成熟应用。通过梯度提升树训练方法训练得到的模型也称为梯度提升树，梯度提升树是由许多互补的决策树组合起来生成一个效果更好的模型。在将梯度提升树应用于具体应用场景解决具体的业务问题时，往往需要训练得到的梯度提升树符合该具体应用场景的业务认知，才能使得该梯度提升树的分类结果具备可信度。例如，客户风险信贷评估场景下，一个常规业务认知是客户的历史逾期次数越多该客户是高风险客户的可能性就越大。但是目前的梯度提升树训练方法仅依据训练样本进行训练，训练得到的梯度提升树中可能包含不符合具体应用场景业务认知的分裂节点，使得模型的分类结果可信度低。

发明内容

本发明的主要目的在于提供一种二分类模型构建方法、装置、设备及计算机可读存储介质，旨在解决目前依靠人工进行奶茶出杯质量查验，查验效率低下的技术问题。

为实现上述目的，本发明提供一种二分类模型构建方法，所述方法包括以下步骤：

获取训练样本的各特征属性与预设二分类目标之间的单调性关系；

采用所述训练样本训练梯度提升树，并对所述梯度提升树的各决策树中不符合自身对应的所述单调性关系的分裂节点进行剪枝；

根据剪枝后的梯度提升树得到目标二分类模型。

可选地，所述采用所述训练样本训练梯度提升树，并对所述梯度提升树的各决策树中不符合自身对应的所述单调性关系的分裂节点进行剪枝的步骤包括：

采用所述训练样本训练梯度提升树，并计算所述梯度提升树的各决策树中各节点对应的预设指标值，其中，预设指标为与所述预设二分类目标具备单调性的指标；

对于所述各节点中的分裂节点，根据所述分裂节点的两个孩子节点对应的所述预设指标值，确定所述分裂节点是否符合自身对应的所述单调性关系；

若确定所述分裂节点不符合自身对应的所述单调性关系，则对所述分裂节点进行剪枝。

可选地，所述对于所述各节点中的分裂节点，根据所述分裂节点的两个孩子节点对应的所述预设指标值，确定所述分裂节点是否符合自身对应的所述单调性关系的步骤包括：

对于所述各节点中的分裂节点，确定所述分裂节点的两个孩子节点对应的所述预设指标值之间的真实大小关系；

根据所述分裂节点的拆分规则和所述拆分规则中特征属性对应的所述单调性关系，确定所述两个孩子节点对应的所述预设指标值之间应当具备的目标大小关系；

检测所述真实大小关系与所述目标大小关系是否相同；

若不相同，则确定所述分裂节点不符合自身对应的所述单调性关系；

若相同，则确定所述分裂节点符合自身对应的所述单调性关系。

可选地，所述对于所述各节点中的分裂节点，确定所述分裂节点的两个孩子节点对应的所述预设指标值之间的真实大小关系的步骤之前，还包括：

检测所述分裂节点的拆分规则中特征属性对应的所述单调性关系是否为单调关系；