[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

说明书

本公开提供了一种多分类预测模型训练方法，涉及人工智能技术领域，可以应用于金融技术领域。该方法包括：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；保留所述最优超参数组合，以确定目标多分类预测模型。本公开还提供了一种绩效考核分数预测方法、装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能技术领域，具体涉及绩效分数推荐技术领域，更具体地涉及一种多分类预测模型训练方法、绩效考核分数预测方法、装置、设备、存储介质和程序产品。

背景技术

在人力绩效考核领域，通常使用直接排序法、对偶比较法和逻辑回归算法对人力绩效进行评估，上述这些方式都有相应的局限性，例如直接排序法和对偶比较法均不适用评估人员较多的场景；逻辑回归算法仅适用训练集特征列偏少的情况，无法评估个人综合能力，在特征列增多时，模型预测精确度较差。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

鉴于上述问题，本公开提供了一种多分类预测模型训练方法、绩效考核分数预测方法、装置、设备、存储介质和程序产品。

根据本公开的第一个方面，提供了一种多分类预测模型训练方法，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。

根据本公开的实施例，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。

根据本公开的实施例，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。

根据本公开的实施例，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。