[发明专利]用于机器学习算法的元特征训练模型

权利要求书

1.一种用于开发和训练神经网络的方法，所述方法包括：

使用第一数据集训练第一模型；

使用所述第一模型生成针对多个第一数据中的每一个的第一预测；

将针对所述多个第一数据中的每一个的所述第一预测与所述第一数据存储在第二数据集中；

使用所述第二数据集训练第二模型；

使用所述第一模型生成针对多个第二数据中的每一个的第二预测；

将针对所述多个第二数据中的每一个的所述第二预测与所述第二数据存储在第三数据集中；以及

使用所述第二模型生成针对所述第三数据集中的每个项的最终预测，其中所述最终预测的准确度高于所述第一预测和所述第二预测的准确度。

2.如权利要求1所述的方法，其还包括将完整数据集拆分为所述第一数据集、所述多个第一数据和所述多个第二数据。

3.如权利要求2所述的方法，其中拆分所述完整数据集包括将所述完整数据集随机划分为所述第一数据集、所述多个第一数据和所述多个第二数据的相等分组。

4.如权利要求1、2或3所述的方法，其中所述第一模型和所述第二模型是具有不同参数的相同类型的模型。

5.如权利要求1、2或3所述的方法，其中所述第一数据集、所述多个第一数据和所述多个第二数据各自具有相同的大小。

6.如权利要求1、2或3所述的方法，其中所述第一数据集与所述多个第一数据或所述多个第二数据中的至少一者具有不同的大小。

7.一种非暂时性计算机可读介质，其上存储有指令，所述指令在由一个或多个处理器执行时致使所述一个或多个处理器：

使用第一数据集训练第一模型；

使用所述第一模型生成针对多个第一数据中的每一个的第一预测；

将针对所述多个第一数据中的每一个的所述第一预测与所述第一数据存储在第二数据集中；

使用所述第二数据集训练第二模型；

使用所述第一模型生成针对多个第二数据中的每一个的第二预测；

将针对所述多个第二数据中的每一个的所述第二预测与所述第二数据存储在第三数据集中；以及

生成针对所述第三数据集中的每个项的最终预测。

8.如权利要求7所述的非暂时性计算机可读介质，其还包括附加指令，所述附加指令在由所述一个或多个处理器执行时致使所述一个或多个处理器：

将完整数据集拆分为所述第一数据集、所述多个第一数据和所述多个第二数据。

9.如权利要求7或8所述的非暂时性计算机可读介质，其中拆分所述完整数据集包括将所述完整数据集随机划分为所述第一数据集、所述多个第一数据和所述多个第二数据的相等分组。

10.如权利要求7或8所述的非暂时性计算机可读介质，其中所述第一模型和所述第二模型是不同类型的模型。

11.如权利要求7或8所述的非暂时性计算机可读介质，其中所述第一数据集、所述多个第一数据和所述多个第二数据各自具有相同的大小。

12.如权利要求7或8所述的非暂时性计算机可读介质，其中所述第一数据集与所述多个第一数据或所述多个第二数据中的至少一者具有不同的大小。