多分类模型优化方法、装置、存储介质及电子设备制造方法及图纸

本公开涉及一种多分类模型优化方法、装置、存储介质及电子设备，包括为多分类模型中的各个预设分类确定各自的分类阈值；根据所述各个预设分类各自的分类阈值对待处理数据进行分类。通过上述技术方案，能够根据实际情况调整多分类模型中不同预设分类的分类阈值，让多分类模型在对数据进行分类时，对于每一个预设分类是否匹配的判断都根据该预设分类单独的分类阈值来进行，从而提高各个预设分类的分类效果，进而提高多分类模型的评价。

【技术实现步骤摘要】
多分类模型优化方法、装置、存储介质及电子设备
本公开涉及机器学习领域，具体地，涉及一种多分类模型优化方法、装置、存储介质及电子设备。
技术介绍
目前，在机器学习过程中经常使用分类模型对大量的数据进行分类处理，分类模型可以分为二分类模型和多分类模型，其中，多分类模型中，针对不同分类通常都会选用固定的分类阈值来进行分类的判断，即在获取数据并对其进行分类处理时，需要在该数据与模型中某一个分类的匹配阈值达到该分类阈值时，才能判定该样本数据属于该分类，且对于每一个分类都是，例如分类阈值定为0.8，有数据A与分类1的匹配程度为0.7、与分类2的匹配程度为0.75，与分类3的匹配程度为0.6，由于数据A与三个分类的匹配程度都没有达到该分类阈值0.8，则该数据A不会被分到任意一个分类中，即使数据A与例如分类1的匹配程度并不低。因此，由于多分类模型中每个分类的特征并不是完全一致，因此，极有可能会出现一个分类阈值对于某一个分类的分类效果很好，但对于另一个分类的分类效果并不好的情况。且随着多分类模型中分类数量的逐渐增加，对多分类模型中的每一个分类都采用的同一个分类阈值来进行分类判断的做法可能会导致多分类模型的分类效果越来越差，越来越不能满足用户需求，。
技术实现思路
本公开的目的是提供一种多分类模型优化方法、装置、存储介质及电子设备，能够根据实际情况调整多分类模型中不同分类的分类阈值，从而提高各个分类的分类效果，进而提高多分类模型的评价。为了实现上述目的，本公开提供一种多分类模型优化方法，所述方法包括：为多分类模型中的各个预设分类确定各自的分类阈值；根据所述各个预设分类各自的分类阈值对待处理数据进行分类。可选地，所述为多分类模型中的各个预设分类确定各自的分类阈值包括：将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；返回所述将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。可选地，所述对所述各个预设分类的分类结果进行评价的计算公式为：其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。可选地，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。本公开还提供一种多分类模型的优化装置，所述装置包括：阈值确定模块，用于为多分类模型中的各个预设分类确定各自的分类阈值；分类模块，用于根据所述各个预设分类各自的分类阈值对待处理数据进行分类。可选地，所述阈值确定模块包括：设定子模块，用于将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；评价子模块，用于对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；遍历子模块，用于触发所述设定子模块将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；阈值确定子模块，用于将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。可选地，所述评价子模块对所述各个预设分类的分类结果进行评价的计算公式为：其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。可选地，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。本公开还提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现上述方法的步骤。通过上述技术方案，能够根据实际情况调整多分类模型中不同预设分类的分类阈值，让多分类模型在对数据进行分类时，对于每一个预设分类是否匹配的判断都根据该预设分类单独的分类阈值来进行，从而提高各个预设分类的分类效果，进而提高多分类模型的评价。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1是根据本公开一示例性实施例示出的一种多分类模型优化方法的流程图。图2是根据本公开一示例性实施例示出的又一多分类模型优化方法的流程图。图3是根据本公开一示例性实施例示出的一种多分类模型优化装置的结构框图。图4是根据本公开一示例性实施例示出的又一多分类模型优化装置的结构框图。图5是根据本公开一示例性实施例示出的一种电子设备的结构框图。具体实施方式以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。图1是根据本公开一示例性实施例示出的一种多分类模型优化方法的流程图。如图1所示，所述方法包括步骤101和步骤102。在步骤101中，为多分类模型中的各个预设分类确定各自的分类阈值。为该多分类模型中的每个预设分类确定各自的分类阈值，该分类阈值可以是各不相同，也可以是部分相同，也可以是全部相同，根据实际情况的不同，分类阈值可以设置得不同。这样，可以根据多分类模型的实际应用场景中的实际需求来对该多分类模型中不同预设分类的分类阈值进行调整，以使得该多分类模型能够更加符合期望的效果。在一种可能的实施方式中，将所述多分类模型中的所述多个预设分类的最优分类阈值设置为所述多个预设分类的分类阈值，所述最优分类阈值即为，在使用该分类阈值时，该预设分类的分类效果最优。其中，对于分类效果的评价可以为多种评价指标，在本实施例中不做限制，使用任意评价指标来对该多个预设分类的分类效果进行评价都可。但在对所述多个预设分类的分类效果进行评价时应使用统一评价指标。在步骤102中，根据所述各个预设分类各自的分类阈值对待处理数据进行分类。在给多分类模型中的多个预设分类分别设置了各自的分类阈值之后，各个预设分类就可以根据各自的分类阈值来对待处理数据进行分类。通过上述技术方案，能够根据实际情况调整多分类模型中不同预设分类的分类阈值，让多分类模型在对数据进行分类时，对于每一个预设分类是否匹配的判断都根据该预设分类单独的分类阈值来进行，这样就能够通过改变多分类模型中的各个预设分类的分类阈值来提高各个预设分类的分类效果，进而提高多分类模型的评价。图2是根据本公开一示例性实施例示出的又一多分类模型优化方法的流程图。如图2所示，所述方法包括如图1所示的步骤101和步骤102，其中，所述步骤101中包括步骤201至步骤204。在步骤201中，将所述多分类模型中的所述各个预设分类的分类阈值本文档来自技高网...

【技术保护点】
1.一种多分类模型优化方法，其特征在于，所述方法包括：为多分类模型中的各个预设分类确定各自的分类阈值；根据所述各个预设分类各自的分类阈值对待处理数据进行分类。

【技术特征摘要】
1.一种多分类模型优化方法，其特征在于，所述方法包括：为多分类模型中的各个预设分类确定各自的分类阈值；根据所述各个预设分类各自的分类阈值对待处理数据进行分类。2.根据权利要求1所述的方法，其特征在于，所述为多分类模型中的各个预设分类确定各自的分类阈值包括：将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；返回所述将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。3.根据权利要求2所述的方法，其特征在于，所述对所述各个预设分类的分类结果进行评价的计算公式为：其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。4.根据权利要求2所述的方法，其特征在于，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。5.一种多分类模型的优化装置，其特征在于，所述装置包括：阈值确定模块，用于为多分类模型中的各个预设分类确定各自的分类阈值；分类模块，用于根据所述各个预设分类各自的分类阈值对待处理数据进...

【专利技术属性】
技术研发人员：李伟健，王长虎，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京,11