一种机器学习模型辅助构建方法、系统、设备及介质技术方案

本公开公开了一种机器学习模型辅助构建方法、系统、设备及介质，接收用户输入的机器学习领域关键词、待分类机器学习数据集和已知分类标签；将机器学习领域关键词与关键词数据库中的关键词进行逐一匹配；如果匹配成功，就表示存在领域匹配的机器学习模型，进入模型优化步骤；如果匹配失败，则表示不存在领域匹配的机器学习模型，进入推荐步骤；模型优化步骤：将领域匹配的机器学习模型对应的待调整参数名称、每个待调整参数的参数范围和每次调整的增减步长范围通过web交互页面反馈给用户；基于用户输入对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；推荐步骤：将其他领域若干个预设推荐的机器学习模型反馈给用户。

【技术实现步骤摘要】
一种机器学习模型辅助构建方法、系统、设备及介质
本公开涉及机器学习模型辅助构建
，特别是涉及一种机器学习模型辅助构建方法、系统、设备及介质。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。在实现本公开的过程中，专利技术人发现现有技术中存在以下技术问题：近年来，随着计算科学、信息技术以及计算机等的高速发展和迅速应用，相关行业使用的应用系统急速扩展，随之而来产生的数据呈现几何指数增长。这种大数据无法使用传统和常用的软件技术和工具在特定时间内完成获取、管理和处理的数据集合。其中，机器学习技术普遍被用于数据记录中挖掘出有益的价值，然而，一大难题在于缺少有效易用的机器学习工具，很多现有的机器学习平台都仅面向精通机器学习技术的使用者，因此，即便是精通机器学习技术的使用者也难以有效地操作目前的机器学习工具。实际上，要想培养出精通机器学习的技术专家，需要花费大量的时间和精力，这使得人工智能技术的应用存在较高的人才门槛。另一方面，数据模型的预测效果与模型的选择、可用的数据和特征的提取等都有关系，例如，在确定特征提取方式的过程中，往往不仅需要掌握机器学习的技术知识，还需要对实际预测问题有深入的理解，而预测问题往往结合着不同行业的不同实践经验，导致很难仅依靠技术专家来达到满意的机器学习效果。因此，如何提出相应的措施改进机器学习过程中工具的便利操作性，解决传统手动调参静态组合参数过程繁琐、耗时费力为问题,以帮助不同用户更好地执行机器学习流程是亟需解决的技术问题。
技术实现思路
为了解决现有技术的不足，本公开提供了一种机器学习模型辅助构建方法、系统、设备及介质；第一方面，本公开提供了一种机器学习模型辅助构建方法；一种机器学习模型辅助构建方法，包括：接收步骤：接收用户输入的机器学习领域关键词、待分类机器学习数据集和已知分类标签；关键词匹配步骤：将机器学习领域关键词与关键词数据库中的关键词进行逐一匹配；如果匹配成功，就表示存在领域匹配的机器学习模型，进入模型优化步骤；如果匹配失败，则表示不存在领域匹配的机器学习模型，进入推荐步骤；模型优化步骤：将领域匹配的机器学习模型对应的待调整参数名称、每个待调整参数的参数范围和每次调整的增减步长范围通过web交互页面反馈给用户；接收用户输入的重新设置后的待调整参数和增减步长；基于用户输入的重新设置后的待调整参数和增减步长，对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；推荐步骤：将其他领域若干个预设推荐的机器学习模型通过web交互页面反馈给用户。第二方面，本公开还提供了一种机器学习模型辅助构建系统；一种机器学习模型辅助构建系统，包括：接收模块，其被配置为：接收用户输入的机器学习领域关键词、待分类机器学习数据集和已知分类标签；领域关键词匹配模块，其被配置为：将机器学习领域关键词与关键词数据库中的关键词进行逐一匹配；如果匹配成功，就表示存在领域匹配的机器学习模型，进入机器学习模型优化模块；如果匹配失败，则表示不存在领域匹配的机器学习模型，进入推荐模块；机器学习模型优化模块，其被配置为：将领域匹配的机器学习模型对应的待调整参数名称、每个待调整参数的参数范围和每次调整的增减步长范围通过web交互页面反馈给用户；接收用户输入的重新设置后的待调整参数和增减步长；基于用户输入的重新设置后的待调整参数和增减步长，对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；推荐模块，其被配置为：将其他领域若干个预设推荐的机器学习模型通过web交互页面反馈给用户。第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。与现有技术相比，本公开的有益效果是：解决了传统手动调参静态组合参数过程繁琐、耗时费力为问题。方法利用流程图的形式让用户通过简便的拖拉拽的操作设置机器学习模型的基本结构；根据业务自动推断参数和进行参数的组合；并对搜集的测试数据进行分析，根据测试结果和分析目标来动态优化参数设置，采用软件代理自动实现参数的调整；从而快捷便利地实现分析模型的动态优化；达到“模型产生数据，数据优化模型”的效果。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为第一个实施例的方法流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例一，本实施例提供了一种机器学习模型辅助构建方法；如图1所示，一种机器学习模型辅助构建方法，包括：S1：接收用户输入的机器学习领域关键词、待分类机器学习数据集和已知分类标签；S2：将机器学习领域关键词与关键词数据库中的关键词进行逐一匹配；如果匹配成功，就表示存在领域匹配的机器学习模型，进入步骤S3；如果匹配失败，则表示不存在领域匹配的机器学习模型，进入步骤S4；S3：将领域匹配的机器学习模型对应的待调整参数名称、每个待调整参数的参数范围和每次调整的增减步长范围通过web交互页面反馈给用户；接收用户输入的重新设置后的待调整参数和增减步长；基于用户输入的重新设置后的待调整参数和增减步长，对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；S4：将其他领域若干个预设推荐的机器学习模型通过web交互页面反馈给用户。作为一个或多个实施例，如果用户对选择的机器学习模型进行优化，则返回步骤S1。作为一个或多个实施例，所述机器学习领域关键词，包括以下领域的一种或多种：文本领域、图像领域、语音领域或视频领域。作为一个或多个实施例，所述基于用户输入的重新设置后的待调整参数和增减步长，对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；具体步骤包括：待分类的机器学习数据集和已知分类标签均输入到重新设置后的领域匹配的机器学习模型中进行训练，输出每次训练后的分类准确率和计算速度；反复训练，直至得到分类准确率最高的机器学习模型和计算速度最快的机器学习模型，将分类准确率最高的机器学习模型和计算速度最快的机器学习模型通过web交互页面反馈给用户；根据用户最终选择指令，将对应的机器学习模型发送给客户端；结束。作为一个或多个实施例，将其他领域若干个预设推荐的机器学习模型通过web交互页面反馈给用户步骤之后，还包括：根据用户输入的选择指令，从若干个预设推荐的机器学习模型中选择若干个机器学习模型；将机器学习数据集输入到被选择的每个机器学习模型中进行训练，输出被选择的每个机器学习模型本文档来自技高网...

【技术保护点】
1.一种机器学习模型辅助构建方法，其特征是，包括：接收步骤：接收用户输入的机器学习领域关键词、待分类机器学习数据集和已知分类标签；关键词匹配步骤：将机器学习领域关键词与关键词数据库中的关键词进行逐一匹配；如果匹配成功，就表示存在领域匹配的机器学习模型，进入模型优化步骤；如果匹配失败，则表示不存在领域匹配的机器学习模型，进入推荐步骤；模型优化步骤：将领域匹配的机器学习模型对应的待调整参数名称、每个待调整参数的参数范围和每次调整的增减步长范围通过web交互页面反馈给用户；接收用户输入的重新设置后的待调整参数和增减步长；基于用户输入的重新设置后的待调整参数和增减步长，对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；推荐步骤：将其他领域若干个预设推荐的机器学习模型通过web交互页面反馈给用户。

【技术特征摘要】
1.一种机器学习模型辅助构建方法，其特征是，包括：接收步骤：接收用户输入的机器学习领域关键词、待分类机器学习数据集和已知分类标签；关键词匹配步骤：将机器学习领域关键词与关键词数据库中的关键词进行逐一匹配；如果匹配成功，就表示存在领域匹配的机器学习模型，进入模型优化步骤；如果匹配失败，则表示不存在领域匹配的机器学习模型，进入推荐步骤；模型优化步骤：将领域匹配的机器学习模型对应的待调整参数名称、每个待调整参数的参数范围和每次调整的增减步长范围通过web交互页面反馈给用户；接收用户输入的重新设置后的待调整参数和增减步长；基于用户输入的重新设置后的待调整参数和增减步长，对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；推荐步骤：将其他领域若干个预设推荐的机器学习模型通过web交互页面反馈给用户。2.如权利要求1所述的方法，其特征是，如果用户对选择的机器学习模型进行优化，则返回接收步骤。3.如权利要求1所述的方法，其特征是，所述基于用户输入的重新设置后的待调整参数和增减步长，对领域匹配的机器学习模型的参数进行优化，输出参数后化后的机器学习模型；具体步骤包括：待分类的机器学习数据集和已知分类标签均输入到重新设置后的领域匹配的机器学习模型中进行训练，输出每次训练后的分类准确率和计算速度；反复训练，直至得到分类准确率最高的机器学习模型和计算速度最快的机器学习模型，将分类准确率最高的机器学习模型和计算速度最快的机器学习模型通过web交互页面反馈给用户；根据用户最终选择指令，将对应的机器学习模型发送给客户端；结束。4.如权利要求1所述的方法，其特征是，将其他领域若干个预设推荐的机器学习模型通过web交互页面反馈给用户步骤之后，还包括：根据用户输入的选择指令，从若干个预设推荐的机器学习模型中选择若干个机器学习模型；将机器学习数据集输入到被选择的每个机器学习模型中进行训练，输出被选择的每个机器学习模型的分类准确率和计算速度；将分类准确率最高的机器学习模型通过web交互页面反馈给用户；将计算速度最快的机器学习模型通过web交互页面反馈给用户；根据用户最终选择指令，将对应的机器学习模型发送给客户端；结束。5.如权利要求1所述的方法，其特征是，步骤S4还包括：web交互页面接收用户对web交互页面算法组件的选择指令，根据对web交互页面算法组件的选择指令自主创建的机器学习模型。6.如权利要求1所述的方法，其特征是，所述web交互页面算法组件，包括以下组件的一种或多种：数据预处理组件、特征提取组件、分类算法组件、聚类算法组件、回归算法组件、推荐算法组件。7...

【专利技术属性】
技术研发人员：刘士军，杨震，潘丽，徐奎，杨承磊，郭威，刘帆，郭芳芳，魏蕊蕊，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37