[发明专利]一种分类方法、计算机设备和计算机可读存储介质

权利要求书

1.一种分类方法，其特征在于，在确定待分类样本j的预测结果需要修正后，按照以下方法对所述待分类样本j的预测结果进行修正：

获取待分类样本j的概率分布P^(j)以及验证集中高置信度部分的概率分布P⁽¹⁾、P⁽²⁾、...、P⁽ⁿ⁾；

按照以下公式对所述待分类样本j进行行间标准化计算：

l∈{1,2,...,n}∪{j}，为从训练集中获得的类别先验分布；

将行间标准化后得到的待分类样本j的概率分布按照以下公式进行行内标准化计算：

将行内标准化后得到的待分类样本j的概率分布作为所述待分类样本j的新的概率值返回以再次判断所述待分类样本j属于哪一类别。

2.根据权利要求1所述的分类方法，其特征在于，所述获取待分类样本j的概率分布P^(j)以及验证集中高置信度部分的概率分布P⁽¹⁾、P⁽²⁾、...、P⁽ⁿ⁾的步骤中，所述验证集的所述高置信度部分的确定方法包括如下步骤：

获取所述验证集中的各个验证集样本的概率值；

对各个验证集样本的概率值由大至小排序，并取前k个概率值；

从所述k个概率值中选择概率之和大于预设阈值ncs1的若干个概率值p₁、p₂、...、p_nsc；

按照以下公式求和归一化得到

其中1≤i≤ncs；

按照以下公式计算熵值H_top-ncs(p)：

按照以下公式计算获得不确定性指标HL：

其中，的取值如下：

其中，nsc1和nsc2均为可调参数；

将所述不确定性指标HL与预设阈值t比较，将所述不确定性指标HL小于所述预设阈值t的验证集作为高置信度部分，其他部分作为低置信度部分。

3.根据权利要求2所述的分类方法，其特征在于，从所述k个概率值中选择概率之和大于预设阈值ncs1的若干个概率值p₁、p₂、...、p_nsc的步骤中，当p₁、p₂、...、p_k的和小于所述预设阈值ncs1时，选择全部的概率值p₁、p₂、...、p_k。

4.根据权利要求3所述的分类方法，其特征在于，确定待分类样本j的预测结果需要修正的方法，包括如下步骤：

计算待分类样本j的不确定性指标；

将所述待分类样本j的所述不确定性指标与所述预设阈值t进行比较；

在所述待分类样本j的所述不确定性指标大于或等于所述预设阈值t时，确定需要对所述待分类样本j的预测结果进行修正。

5.根据权利要求1所述的分类方法，其特征在于，按照如下公式计算获得所述

其中，n为所述验证集中的n个待验证样本。

6.根据权利要求1-5中任一项所述的分类方法，其特征在于，还包括获取深度学习模型的步骤，所述深度学习模型的获取方法包括如下步骤：

获取多个数据样本和各个数据样本的标签，并将所述多个数据样本和对应的标签组成数据集；

将所述数据集按照预设比例划分为训练集和验证集；

根据业务需求选择初始深度学习模型；

将所述训练集中的数据样本和对应的标签输入所述初始深度学习模型；

训练所述初始深度学习模型，更新所述初始深度学习模型内部的参数权重，学习所述训练集中的数据样本的标签知识；

基于更新好的参数权重，得到深度学习模型。