[发明专利]多目标任务的辅助决策方法、装置、计算机设备及介质

权利要求书

1.一种多目标任务的辅助决策方法，其特征在于，包括：

针对每个基础任务，分别建立若干初始xgboost模型，并获取样本数据的数据特征，采用所述数据特征对所述初始xgboost模型进行训练，得到每个基础任务对应的若干个目标xgboost模型；

针对任一所述基础任务，获取M个样本数据，并将所述样本数据输入到所述目标xgboost模型中进行训练，得到若干组训练数据，其中，每组所述训练数据为所述M个样本数据对应的训练输出结果，每个样本数据训练后得到一个训练输出结果；

将每个基础任务的所述若干组训练数据进行数据拼接，得到评估数据集；

采用预设生成方式，生成初始权重，通过初始权重对所述评估数据集进行融合打分，得到打分结果，并根据所述打分结果和遗传算法，对所述初始权重进行更新迭代，生成所述评估数据集的权重集合；

根据所述权重集合，对所有基础任务的AUC进行融合，得到若干权重向量；

根据所述权重向量生成可视化的帕累托图，从所述可视化的帕累托图中获取帕累托边界；

将所述帕累托边界对应的权重，作为目标权重，采用所述目标权重对样本数据进行打分，得到目标分值，并基于所述目标分值进行多任务决策。

2.如权利要求1所述的多目标任务的辅助决策方法，其特征在于，所述获取样本数据的数据特征包括：

获取样本数据，并对所述样本数据按照预设标签类型进行分类，得到初始类别信息；

对每个所述初始类别信息进行缺失值处理，得到基础类别信息，每个基础类别信息至少包括一个基础特征；

计算每个基础类别信息的基础特征的稳定度，并筛选出稳定度超过预设稳定度阈值的基础特征，作为所述数据特征。

3.如权利要求2所述的多目标任务的辅助决策方法，其特征在于，所述计算每个基础类别信息的基础特征的稳定度包括：

计算每个基础特征的信息值IV，并根据所述信息值IV进行特征筛选，得到关键特征；

计算所述关键特征的稳定度指标PSI，将所述稳定度指标PSI超过预设阈值的关键特征，作为稳定特征。

4.如权利要求1所述的多目标任务的辅助决策方法，其特征在于，所述采用预设生成方式，生成初始权重，通过初始权重对所述评估数据集进行融合打分，得到打分结果包括：

通过正态随机数生成的方式，生成N组初始权重，每组初始权重中包含N个初始权重，其中，N为预设的正整数；

采用每组所述初始权重，对所述评估数据集进行加权，并统计加权后所述评估数据集的准确率，将所述准确率作为所述打分结果。

5.如权利要求1所述的多目标任务的辅助决策方法，其特征在于，所述根据所述打分结果和遗传算法，对所述初始权重进行更新迭代，生成所述评估数据集的权重集合包括：

根据所述打分结果的准确率，从N组初始权重中，选取准确率达到预设阈值的初始权重组，作为待选取权重组；

对所述待选取权重组进行交叉变异，得到更新后的初始权重；

采用更新后的所述初始权重，对所述评估数据集进行加权打分，并统计加权后所述评估数据集的准确率，作为打分结果，并返回根据所述打分结果的准确率，从N组初始权重中，选取准确率达到预设阈值的初始权重组，作为待选取权重组的步骤继续迭代执行，直至迭代次数达到预设次数，将此时得到的待选取权重组，作为所述权重集合。

6.如权利要求1至5任一项所述的多目标任务的辅助决策方法，其特征在于，所述根据所述权重向量生成可视化的帕累托图包括：

通过自定义粒度阈值的方式，对所述权重向量进行遍历组合，得到至少两组组合权重；

采用所述组合权重，生成所述可视化的帕累托图。