一种模型预测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种模型预测方法及装置，其中方法包括：获取多个目标模型，并使用多个目标模型对待预测数据进行预测，得到多个目标模型分别对应的预测结果，进而确定待预测数据的预测结果。本发明专利技术实施例基于多个目标模型分别对应的预测结果确定待预测数据的预测结果，可以避免一个目标模型的模型结构问题所导致的预测效果较差的技术问题，从而提高模型的预测效果；且，通过分析第一模型和基于第一模型得到的第一级子模型分别对训练数据的预测精确度，可以选取精确度较高的模型执行后续的训练过程，从而使得训练得到的目标模型更加准确。

A Model Prediction Method and Device

The embodiment of the present invention discloses a model prediction method and device, in which the method includes acquiring multiple target models, using multiple target models to predict the prediction data, obtaining the corresponding prediction results of multiple target models, and then determining the prediction results of the data to be predicted. The embodiment of the present invention determines the prediction results of the data to be predicted based on the respective prediction results of multiple target models, which can avoid the technical problem of poor prediction effect caused by the model structure problem of one target model, thereby improving the prediction effect of the model; moreover, by analyzing the first model and the first-level sub-model obtained from the first model, the prediction results of the training data are respectively predicted. Measuring accuracy can select the model with higher accuracy to carry out the follow-up training process, so as to make the training target model more accurate.

【技术实现步骤摘要】
一种模型预测方法及装置
本专利技术涉及数据处理
，尤其涉及一种模型预测方法及装置。
技术介绍
在数据处理
中，机器学习是一个非常热门的研究方向，通常来说，机器学习可以基于训练数据得到目标模型，并使用目标模型对待预测数据进行预测，从而得到待预测数据的预测结果。深度学习系统为一种常用的机器学习方法，具体地说，用户可以通过人工设计深度学习网络模型来构建深度学习系统，通过使用构建得到的深度学习网络模型对训练数据集进行训练，可以得到预测效果较好的目标模型。然而，人工设计深度学习网络模型通常是较为复杂的过程，若需要训练出预测效果较好的目标模型，可能需要用户学习多方面的知识，浪费人力和时间。为了解决上述问题，现有技术通常采用自动化机器学习方法来训练深度学习网络模型。具体地说，自动化机器学习方法通常依赖于现有的预设训练算法，基于该预设训练算法可以得到模型结构各不相同的多个随机模型，进而可以采用预设筛选规则从多个随机模型中筛选出一个最优模型，并基于用户输入的训练数据对最优模型进行训练，得到目标模型。采用该种方法，用户无需人工设计深度学习网络模型，即可以获取到目标模型。然而，在实际操作中，预设训练算法可能仅适用于一定的应用场合，而无法满足多个用户的需要；在一种可能的情况下，若训练数据较少，采用该种方式训练得到的目标模型通常会具有较差的预测效果。综上，目前亟需一种模型预测方法，用以提高模型的预测效果。
技术实现思路
本专利技术实施例提供一种模型预测方法及装置，用以提高模型的预测效果。本专利技术实施例提供的一种模型预测方法，所述方法包括：获取待预测数据；使用多个目标模型对所述待预测数据进行预测，得到所述多个目标模型分别对应的预测结果；其中，第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，所述第一模型为初始模型或者基于所述初始模型得到的第N级子模型，N为大于或等于1的整数；所述第一目标模型为所述多个目标模型中的任一目标模型；根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果。可选地，所述第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，包括：当基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度小于预设阈值时，若所述第一模型对所述训练数据的预测精确度小于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一级子模型得到所述第一目标模型。可选地，所述方法还包括：当所述第一模型对所述训练数据的预测精确度大于预设阈值时，则确定所述第一模型为所述目标模型。可选地，所述方法还包括：若所述第一模型对所述训练数据的预测精确度大于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一模型得到所述第一目标模型。可选地，所述根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果，包括：若预测结果为第一预测结果的目标模型的个数大于预测结果为第二预测结果的目标模型的个数，则确定所述待预测数据的预测结果为所述第一预测结果；所述第二预测结果为所述多个目标模型分别对应的预测结果中除所述第一预测结果以外的预测结果。本专利技术实施例提供的一种模型预测装置，所述装置包括：获取模块，用于获取待预测数据；预测模块，用于使用多个目标模型对所述待预测数据进行预测，得到所述多个目标模型分别对应的预测结果；其中，第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，所述第一模型为初始模型或者基于所述初始模型得到的第N级子模型，N为大于或等于1的整数；所述第一目标模型为所述多个目标模型中的任一目标模型；确定模块，用于根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果。可选地，所述装置还包括训练模块，所述训练模块具体用于：当基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度小于预设阈值时，若所述第一模型对所述训练数据的预测精确度小于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一级子模型得到所述第一目标模型。可选地，所述训练模块还用于：当所述第一模型对所述训练数据的预测精确度大于预设阈值时，则确定所述第一模型为所述目标模型。可选地，所述训练模块还用于：若所述第一模型对所述训练数据的预测精确度大于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一模型得到所述第一目标模型。可选地，所述确定模块用于：若预测结果为第一预测结果的目标模型的个数大于预测结果为第二预测结果的目标模型的个数，则确定所述待预测数据的预测结果为所述第一预测结果；所述第二预测结果为所述多个目标模型分别对应的预测结果中除所述第一预测结果以外的预测结果。本专利技术的上述实施例中，获取多个目标模型，并使用多个目标模型对待预测数据进行预测，得到多个目标模型分别对应的预测结果，进而根据多个目标模型分别对应的预测结果，确定待预测数据的预测结果；其中，多个目标模型中的任一目标模型是根据第一模型对训练数据的预测精确度和基于第一模型得到的第一级子模型对训练数据的预测精确度得到的，第一模型可以为初始模型或者基于初始模型得到的第N级子模型。本专利技术实施例基于多个目标模型分别对应的预测结果确定待预测数据的预测结果，相比于现有技术采用一个目标模型对应的预测结果确定待预测数据的预测结果的方式来说，可以避免一个目标模型的模型结构问题所导致的预测效果较差的技术问题，从而提高模型的预测效果；且，通过分析第一模型和基于第一模型得到的第一级子模型分别对训练数据的预测精确度，可以选取精确度较高的模型执行后续的训练过程，从而使得训练得到的目标模型更加准确；也就是说，本专利技术实施例中的模型预测方法可以适用于多种应用场合，且用户的体验较好。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种模型预测方法对应的流程示意图；图2为本专利技术实施例提供的一种得到第一目标模型的方法对应的流程示意图；图3为本专利技术实施例中提供的一种基于初始模型得到的四个第一级子模型的结构示意图；图4为本专利技术实施例提供的一种模型预测方法示意图；图5为本专利技术实施例提供的一种模型预测装置的结构示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。本专利技术实施例中，模型预测方法的具体实现过程可以包括模型训练的过程(训练阶段)和使用训练得到的多个目标模型对待预测数据进行预测的过程(预测阶段)，或者还可以包括其他的过程，具体不作限定。图1为本专利技术实施例提供的一种模型预测方法对应的流程示意图，该方法包括：步骤101，获取待预测数据。本专利技术实施例中，待预测数据可以包括一种类型本文档来自技高网...

【技术保护点】
1.一种模型预测方法，其特征在于，所述方法包括：获取待预测数据；使用多个目标模型对所述待预测数据进行预测，得到所述多个目标模型分别对应的预测结果；其中，第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，所述第一模型为初始模型或者基于所述初始模型得到的第N级子模型，N为大于或等于1的整数；所述第一目标模型为所述多个目标模型中的任一目标模型；根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果。

【技术特征摘要】
1.一种模型预测方法，其特征在于，所述方法包括：获取待预测数据；使用多个目标模型对所述待预测数据进行预测，得到所述多个目标模型分别对应的预测结果；其中，第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，所述第一模型为初始模型或者基于所述初始模型得到的第N级子模型，N为大于或等于1的整数；所述第一目标模型为所述多个目标模型中的任一目标模型；根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果。2.根据权利要求1所述的方法，其特征在于，所述第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，包括：当基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度小于预设阈值时，若所述第一模型对所述训练数据的预测精确度小于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一级子模型得到所述第一目标模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：当所述第一模型对所述训练数据的预测精确度大于预设阈值时，则确定所述第一模型为所述目标模型。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：若所述第一模型对所述训练数据的预测精确度大于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一模型得到所述第一目标模型。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果，包括：若预测结果为第一预测结果的目标模型的个数大于预测结果为第二预测结果的目标模型的个数，则确定所述待预测数据的预测结果为所述第一预测结果；所述第二预测结果为所述多个目标模型分别对应...

【专利技术属性】
技术研发人员：郭升挺，
申请(专利权)人：网宿科技股份有限公司，
类型：发明
国别省市：上海,31