[发明专利]多分类预测模型训练方法、绩效考核分数预测方法及装置

权利要求书

1.一种多分类预测模型训练方法，其特征在于，所述方法包括：

将人员特征数据样本输入粗分类初始预测模型，得到所述人员特征数据样本的初始分类结果；

根据所述初始分类结果和所述人员特征数据样本确定融合样本；

将所述融合样本输入细分类初始预测模型，得到所述融合样本的目标分类结果；

采用矩阵分区降维贝叶斯调优法调整初始预测模型的参数，以确定最优超参数组合；以及

保留所述最优超参数组合，以确定目标多分类预测模型。

2.根据权利要求1所述的方法，其特征在于，所述采用矩阵分区降维贝叶斯调优法调整初始预测模型的参数，以确定最优超参数组合包括：

采用矩阵分区降维贝叶斯调优法调整所述粗分类初始预测模型的参数直至预测准确率大于第一预设阈值且损失函数值最小，以确定粗分类初始预测模型的第一最优超参数组合，其中，所述预测准确率是根据所述初始分类结果确定的；以及

采用矩阵分区降维贝叶斯调优法调整所述细分类初始预测模型的参数直至预测分数均方差小于第二预设阈值且损失函数值最小，以确定细分类初始预测模型的第二最优超参数组合。

3.根据权利要求2所述的方法，其特征在于，所述采用矩阵分区降维贝叶斯调优法包括：

建立关键参数候选值组合交叉矩阵；

将所述组合交叉矩阵拆分为k个区间，其中k为正整数；

计算每一分区边界的超参数组合对应的损失函数值；

将所述每一分区边界的超参数组合和所述损失函数值存入矩阵变量构建概率分布模型；

根据所述概率分布模型和所述损失函数值确定下一轮迭代区间范围；

循环上述操作直至不存在可选的超参数组合区间；以及

输出所述损失函数值最低的超参数组合值。

4.根据权利要求1所述的方法，其特征在于，在将人员特征数据样本输入粗分类初始预测模型之前，还包括：

将人员特征数据样本进行多分类训练以确定预测模型类型。

5.根据权利要求4所述的方法，其特征在于，所述将人员特征数据样本进行多分类训练以确定预测模型类型包括：

按照绩效分数区间将人员特征数据拆分成多个数据集；

分别将所述多个数据集输入多种预测模型中，以确定各种预测模型在各个绩效分数区间的预测准确率；

采用加权方式计算各种预测模型的综合准确率；以及

根据所述综合准确率确定预测模型类型。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述人员特征数据样本包括通用特征数据样本和差异特征数据样本。

7.一种绩效考核分数预测方法，其特征在于，所述方法包括：

响应于绩效考核分数预测指令，获取待预测人员的特征数据集合；

将所述特征数据集合输入多分类预测模型以确定待预测人员的绩效考核分数，其中，所述多分类预测模型是根据权利要求1至6中任一项所述的多分类预测模型训练方法预先训练得到的；以及

输出所述待预测人员的绩效考核分数。

8.根据权利要求7所述的方法，其特征在于，所述多分类预测模型包括粗分类预测模型和细分类预测模型，所述特征数据集合包括通用特征数据和差异特征数据，所述将所述特征数据集合输入预设多分类预测模型以确定待预测人员的绩效考核分数包括：

将所述通用特征数据输入所述粗分类预测模型，以确定第一分类结果；

将所述第一分类结果和所述差异特征数据输入所述细分类预测模型，以确定第二分类结果；以及

根据所述第二分类结果确定待预测人员的绩效考核分数。