The embodiment of the present invention discloses a method, device, device and storage medium for generating a machine learning model. The method includes: acquiring model association parameters input by users through a human-computer interaction interface, the model association parameters include: model generation data and display information type; generating and at least one display information type according to the model generation data and the display information type. At least one machine learning model matched by each model generation algorithm; according to the generated machine learning model, target display information matched with the display information type is generated; and the target display information is provided to the user. The technical scheme of the embodiment of the present invention can make the machine learning modeling process more general and automatic.
【技术实现步骤摘要】
一种机器学习模型的生成方法、装置、设备及存储介质
本专利技术实施例涉及机器学习
,尤其涉及一种机器学习模型的生成方法、装置、设备及存储介质。
技术介绍
机器学习是计算机科学和人工智能中非常重要的一个研究领域,开发机器学习模型是一个耗时、专家驱动的工作流程,这个流程包括数据准备、特征选择、模型或技术选择、训练以及调优等。现有的机器学习领域中开源的自动化机器学习建模工具,如Tpot,Auto-sklearn等,通过调用其打包好的内置函数可以简化建模流程,自动搜索超参,达到自动化或半自动化建模的目的。专利技术人在实现本专利技术的过程中,发现现有技术存在如下缺陷:现有的机器学习建模工具还不够成熟,并不是对任何人均适用。使用现有的机器学习建模工具需要一定的机器学习使用基础和相关经验,这在一定程度上限制了机器学习工具的使用范围。此外,现有的机器学习建模工具支持的算法以传统算法为主,如决策树或GBDT(GradientBoostingDecisionTree,基于决策树的分类回归)等算法。但目前业界常用且效果好的算法均不支持,如xgboost、lgbm或catboost等算法,这也在一定程度上限制了机器学习建模工具的广泛使用。
技术实现思路
本专利技术实施例提供一种机器学习模型的生成方法、装置、设备及存储介质,以使机器学习建模流程更加通用化和自动化。第一方面,本专利技术实施例提供了一种机器学习模型的生成方法,包括:获取用户通过人机交互界面输入的模型关联参数,所述模型关联参数包括:模型生成数据以及展示信息类型;根据所述模型生成数据以及所述展示信息类型,生成与至少一个模型 ...
【技术保护点】
1.一种机器学习模型的生成方法,其特征在于,包括:获取用户通过人机交互界面输入的模型关联参数,所述模型关联参数包括:模型生成数据以及展示信息类型;根据所述模型生成数据以及所述展示信息类型,生成与至少一个模型生成算法匹配的至少一个机器学习模型;根据生成的所述机器学习模型,生成与所述展示信息类型匹配的目标展示信息;将所述目标展示信息提供给所述用户。
【技术特征摘要】
1.一种机器学习模型的生成方法,其特征在于,包括:获取用户通过人机交互界面输入的模型关联参数,所述模型关联参数包括:模型生成数据以及展示信息类型;根据所述模型生成数据以及所述展示信息类型,生成与至少一个模型生成算法匹配的至少一个机器学习模型;根据生成的所述机器学习模型,生成与所述展示信息类型匹配的目标展示信息;将所述目标展示信息提供给所述用户。2.根据权利要求1所述的方法,其特征在于,所述模型关联参数还包括:模型生成算法;所述展示信息类型包括:与所述模型生成算法匹配的机器学习模型文件和模型报告文件;根据所述模型生成数据以及所述展示信息类型,生成与至少一个模型生成算法匹配的至少一个机器学习模型,包括:将所述模型生成数据划分为模型训练子数据以及模型测试子数据;根据所述模型训练子数据以及所述模型测试子数据,采用贝叶斯优化算法在有限次尝试次数下对所述模型生成算法中包括的至少一项超参数进行参数调整;根据所述模型生成数据以及调整后的所述超参数,生成与所述模型生成算法匹配的机器学习模型。3.根据权利要求1所述的方法,其特征在于,所述模型关联参数还包括:模型生成算法;所述展示信息类型包括:与所述模型生成算法匹配的预设数据特征;根据所述模型生成数据以及所述展示信息类型,生成与至少一个模型生成算法匹配的至少一个机器学习模型,包括:将所述模型生成数据划分为模型训练子数据以及模型测试子数据;根据与所述模型生成算法对应的预设超参数,以及所述模型生成数据,生成与所述模型生成算法对应的机器学习模型;根据生成的所述机器学习模型,生成与所述展示信息类型匹配的目标展示信息,包括:将所述模型生成数据按照设定排序规则进行排序;根据生成的所述机器学习模型以及排序结果生成所述模型生成算法匹配的至少一个预设数据特征值。4.根据权利要求1所述的方法,其特征在于,所述模型关联参数还包括:至少两个模型生成算法;所述展示信息类型包括:各所述模型生成算法的性能对比;根据所述模型生成数据以及所述展示信息类型,生成与至少一个模型生成算法匹配的至少一个机器学习模型,包括:将所述模型生成数据划分为模型训练子数据以及模型测试子数据;根据与各所述模型生成...
【专利技术属性】
技术研发人员:钱信羽,
申请(专利权)人:深圳乐信软件技术有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。