泛化能力处理方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及金融科技领域，本发明专利技术公开了一种泛化能力处理方法、装置、设备及存储介质，所述方法包括：获取画像数据，并根据所述画像数据和所述画像数据的属性特征对预设的标准泛化模型进行数据训练处理，以获得初步模型；将所述画像数据输入所述初步模型进行预测处理，以获得预测结果；根据所述画像数据和所述预测结果对预设的标准决策树模型进行数据训练处理，以获得进阶模型；根据所述画像数据和所述属性特征对所述进阶模型进行数据训练处理，以获得最终泛化模型。本发明专利技术解决现有技术中计算机系统性能较低，计算机系统训练模型的效率较低的技术问题。

Generalization capacity processing method, device, equipment and storage medium

【技术实现步骤摘要】
泛化能力处理方法、装置、设备及存储介质
本专利技术涉及金融科技
，尤其涉及一种泛化能力处理方法、装置、设备及存储介质。
技术介绍
随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域，传统金融工业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。由于决策树模型具有可解释性，因此在金融风控，医疗诊断等要求模型可解释的场景通常会应用决策树模型进行数据训练以实现建模。但是传统的模型数据训练需要人工参与模型调整，而人工调整模型训练的过程较为复杂，计算机系统需要消耗等待人工输入数据所消耗的资源，且需要额外计算和存储大量的数据，造成计算系统的处理器能力和数据存储方面的负担增加，导致计算机系统性能较低，且导致计算机系统训练模型的效率较低。
技术实现思路
本专利技术的主要目的在于提供一种泛化能力处理方法、装置、设备及存储介质，旨在解决计算机系统性能较低，计算机系统训练模型的效率较低的技术问题。>为实现上述目的，本本文档来自技高网...

【技术保护点】
1.一种泛化能力处理方法，其特征在于，所述泛化能力处理方法包括：/n获取画像数据，并根据所述画像数据和所述画像数据的属性特征对预设的标准泛化模型进行数据训练处理，以获得初步模型；/n将所述画像数据输入所述初步模型进行预测处理，以获得预测结果；/n根据所述画像数据和所述预测结果对预设的标准决策树模型进行数据训练处理，以获得进阶模型；/n根据所述画像数据和所述属性特征对所述进阶模型进行数据训练处理，以获得最终泛化模型。/n

【技术特征摘要】
1.一种泛化能力处理方法，其特征在于，所述泛化能力处理方法包括：
获取画像数据，并根据所述画像数据和所述画像数据的属性特征对预设的标准泛化模型进行数据训练处理，以获得初步模型；
将所述画像数据输入所述初步模型进行预测处理，以获得预测结果；
根据所述画像数据和所述预测结果对预设的标准决策树模型进行数据训练处理，以获得进阶模型；
根据所述画像数据和所述属性特征对所述进阶模型进行数据训练处理，以获得最终泛化模型。


2.如权利要求1所述的泛化能力处理方法，其特征在于，所述根据所述画像数据和所述画像数据的属性特征对预设的标准泛化模型进行数据训练处理，以获得初步模型，包括：
将第一预设个数的画像数据设为验证数据，并将第二预设个数的画像数据设为训练数据；
根据所述验证数据对所述训练数据进行数据训练处理，以获得训练结果；
根据所述训练结果对预设的标准泛化模型进行数据训练处理，以获得初步模型。


3.如权利要求1所述的泛化能力处理方法，其特征在于，所述根据所述画像数据和所述属性特征对所述进阶模型进行数据训练处理，以获得最终泛化模型，包括：
根据所述画像数据和所述属性特征对所述进阶模型进行数据训练处理，以确定所述画像数据对应的所有叶子节点；
获取所述叶子节点中的训练预测数据；
提取所述训练预测数据的预测值，并根据所述预测值生成最终泛化模型。


4.如权利要求3所述的泛化能力处理方法，其特征在于，所述提取所述训练预测数据的预测值，并根据所述预测值生成最终泛化模型，包括：
提取所述训练预测数据的预测值，并对所述预测值进行分类，以获得正比例预测值和负比例预测值；
分别统计所述正比例预测值的第一预测数量和所述负比例预测值的第二预测数量，并根据所述第一预测数量和第二预测数量生成最终泛化模型。


5.如权利要求1所述的泛化能力处理方法，其特征在于，所述根据所述画像数据和所述属性特征对所述进阶模型进行数据训练处理，以获得最终泛化模型之后，...

【专利技术属性】
技术研发人员：唐兴兴，黄启军，陈瑞钦，林冰垠，李诗琦，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44