一种机器学习模型的生成方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种机器学习模型的生成方法、装置、设备及存储介质，所述方法包括：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。本发明专利技术实施例的技术方案能够使机器学习建模流程更加通用化和自动化。

A Generation Method, Device, Equipment and Storage Medium of Machine Learning Model

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。第二方面，本专利技术实施例还提供了一种机器学习模型的生成装置，包括：模型关联参数获取模块，用于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；机器学习模型生成模块，用于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；目标展示信息生成模块，用于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；目标展示信息提供模块，用于将所述目标展示信息提供给所述用户。第三方面，本专利技术实施例还提供了一种计算机设备，所述计算机设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任意实施例所提供的机器学习模型的生成方法。第四方面，本专利技术实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术任意实施例所提供的机器学习模型的生成方法。本专利技术实施例通过获取用户通过人机交互界面输入的模型关联参数，根据模型关联参数中包括的模型生成数据以及展示信息类型，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，并根据生成的机器学习模型生成与展示信息类型匹配的目标展示信息以提供给用户，实现在用户不接触代码的情况下自动生成所需的机器学习模型，并根据用户需求为其提供可视化的信息展示功能，解决现有机器学习建模工具存在的通用性较低的问题，提高机器学习建模工具的通用化和自动化性能。附图说明图1是本专利技术实施例一提供的一种机器学习模型的生成方法的流程图；图2a是本专利技术实施例二提供的一种机器学习模型的生成方法的流程图；图2b是本专利技术实施例二提供的一种机器学习模型的生成方法的流程图；图2c是本专利技术实施例二提供的一种机器学习模型的生成方法的流程图；图2d是本专利技术实施例二提供的一种机器学习模型生成工具的人机交互界面示意图；图2e是本专利技术实施例二提供的一种模型报告文件的示意图；图3是本专利技术实施例三提供的一种机器学习模型的生成装置的示意图；图4为本专利技术实施例四提供的一种计算机设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。实施例一图1是本专利技术实施例一提供的一种机器学习模型的生成方法的流程图，本实施例可适用于自动生成机器学习模型及匹配的目标展示信息的情况，该方法可以由机器学习模型的生成装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在计算机设备中。相应的，如图1所示，该方法包括如下操作：S110、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。其中，模型关联参数可以是用于生成机器学习模型的相关参数，例如模型生成数据和模型生成算法等。模型生成数据可以是用户指定的，用于生成机器学习模型的数据源，包括训练数据和测试数据。展示信息类型可以是供用户选择的，用于展示相关功能几种类型。例如，展示信息类型可以包括重要特征、指标参数和模型报告文件等。在本专利技术实施例中，用户在使用机器学习模型生成工具建模时，可以通过机器学习模型生成工具提供的可视化人机交互界面输入用于生成机器学习模型的模型生成数据，并在人机交互界面选择具体的展示信息类型，以使机器学习模型生成工具可以根据用户所提供的模型生成数据以及展示信息类型自动生成对应的机器学习模型。在本专利技术的一个可选实施例中，获取用户通过人机交互界面输入的模型生成数据，可以包括：获取所述用户通过所述人机交互界面上传的模型生成数据；或获取所述用户通过所述人机交互界面在数据存储列表中选择的模型生成数据。在本专利技术实施例中，模型生成数据可以是用户通过人机交互界面上传的相应文件数据，也可以是用户通过人机交互界面在数据存储列表中指定的预存在服务器中的相关数据，本专利技术实施例并不对模型生成数据的获取方式进行限定。S120、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。其中，模型生成算法可以是用于生成机器学习模型的相关算法，如catboost、xgboost或lgbm等。相应的，当用户通过人机交互界面指定模型生成数据及展示信息类型后，机器学习模型生成工具即可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。其中，模型生成算法可以由用户指定，也可以由机器学习模型生成工具随机指定，本专利技术实施例对此并不进行限制。S130、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。其中，目标展示信息可以是机器学习模型生成工具根据用户选择的展示信息类型所提供的展示数据，例如筛选模型生成算法的重要数据特征，显示模型生成算法的算法效果以及获取机器学习模型对应的模型报告文件等。目标展示信息可以根据展示信息类本文档来自技高网...

【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