[发明专利]数据特征获取方法、系统及电子设备

权利要求书

1.一种数据特征获取方法，其特征在于，所述数据特征获取方法应用于金融数据的特征提取，包括：

获取金融数据，并根据所述金融数据配置金融特征字段和标注字段；

将所述金融数据输入至已完成训练的筛选模型进行特征筛选；其中，所述筛选模型包括：训练集筛选单元和验证集筛选单元；所述训练集筛选单元根据所述金融特征字段对所述金融数据的特征进行筛选，生成训练集；所述验证集筛选单元根据所述标注字段对所述金融数据的特征进行筛选，生成验证集；

根据所述筛选模型输出的所述训练集和/或所述验证集确定所述金融数据的特征贡献度，并获取所述特征贡献度达到预设阈值的所述金融数据的特征。

2.根据权利要求1所述的数据特征获取方法，其特征在于，所述训练集的获取过程，包括：

设定特征筛选比例以及特征个数；

将所述金融数据输入至所述训练集筛选单元中，所述训练集筛选单元根据所述特征筛选比例，对所述金融数据的金融特征字段进行随机筛选；

所述训练集筛选单元对所述金融数据的金融特征字段进行多次迭代筛选后，生成所述训练集；其中，迭代筛选的次数与所述特征个数相同。

3.根据权利要求1所述的数据特征获取方法，其特征在于，所述验证集的获取过程，包括：

设定特征筛选比例以及特征个数；

将所述金融数据输入至所述验证集筛选单元中，所述验证集筛选单元根据所述特征筛选比例，对所述金融数据的标注字段进行随机筛选；

所述验证集筛选单元对所述金融数据的标注字段进行多次迭代筛选后，生成所述验证集；其中，迭代筛选的次数与所述特征个数相同。

4.根据权利要求1所述的数据特征获取方法，其特征在于，根据所述筛选模型输出的所述训练集和所述验证集确定所述金融数据的特征贡献度，包括：

获取所述训练集和所述验证集中所述金融数据的特征；

计算所述特征在所述筛选模型中的贡献值及权重值；其中，所述贡献值用于表示所述特征在所述金融数据中的贡献程度；所述权重值用于表示所述特征在所述金融数据中的重要性；

根据所述贡献值和所述权重值，确定所述金融数据的特征贡献度。

5.根据权利要求4所述的数据特征获取方法，其特征在于，所述贡献值的计算算式为：

G＝avg(S1₁～S1_t)-avg(S1_t+1～S1_k)，

其中，G为所述特征的贡献值；avg为平均数函数；t为所述特征被所述训练集或所述验证集选中的个数；k为对所述筛选模型进行训练时所用的所述训练集或所述验证集的个数；S1为所述特征对应的模型性能指标结果。

6.根据权利要求4所述的数据特征获取方法，其特征在于，所述权重值的计算算式为：

I＝avg(i₁～i_t)，

其中，I为所述特征的权重值；avg为平均数函数；t为所述特征被所述训练集或所述验证集选中的个数；i为所述特征的特征重要性结果。

7.根据权利要求1所述的数据特征获取方法，其特征在于，所述筛选模型的训练过程，包括：

设定特征筛选比例以及特征个数阈值；

根据所述特征筛选比例，对所述金融数据进行随机筛选，生成与所述特征个数阈值相同的训练集和验证集；

利用所述训练集和所述验证集对已完成初始化的卷积神经网络模型进行训练，并利用所述验证集对所述卷积神经网络模型进行性能评估；

当所述卷积神经网络模型的性能满足预设性能阈值时停止训练，得到所述筛选模型。