金融数据的样本标签确定方法、装置及电子设备制造方法及图纸

本公开涉及一种金融数据的样本标签确定方法、装置、电子设备及计算机可读介质。该方法包括：确定正样本集合和未分类样本集合中的多个用户的多维度金融数据特征值；通过所述正样本集合中的多个用户的多维度金融数据特征值与超球体方程生成目标超球体方程；分别将所述未分类样本集合中用户的多维度金融数据特征值代入所述目标超球体方程以获取所述用户的超球体距离；以及将所述用户的超球体距离与阈值进行比较，以确定所述用户的样本标签，所述样本标签包括正样本标签与负样本标签。本公开涉及的金融数据的样本标签确定方法，能够将未分类样本中的正样本提取出来，将正样本和负样本进行准确分类，从而提高机器学习模型的计算效果和计算精度。

Methods, devices and electronic equipment for sample labeling of financial data

【技术实现步骤摘要】
金融数据的样本标签确定方法、装置及电子设备
本公开涉及计算机信息处理领域，具体而言，涉及一种金融数据的样本标签确定方法、装置、电子设备及计算机可读介质。
技术介绍
机器学习现如今在各个人工智能研究领域中已经得到了极大的发展，常见的机器学习模型可分为监督学习、无监督学习和强化学习这三类，每个类别中又可具体分为不同的算法。在当今大部分的应用场景中，人们都可以很方便的找到适合于自身问题的机器学习模型。对于机器学习模型的一般应用来说，用户首先确定某一个类别或者算法的机器学习模型，然后根据用户想解决的特定问题，用户输入特定的数据，机器学习模型建立特定的任务，然后通过特定的数据来对机器学习进行训练，在训练结束后，得到适用于某一个特定任务的机器学习模型。通常情况下，即使用同一个机器学习模型的算法，但是用不同的数据训练得到的机器学习模型是完全不同的。通常情况下机器学习模型需要对正样本和负样本进行学习，正样本则是我们想要正确分类出的类别所对应的样本，例如，我们要对一张图片进行分类，以确定其是否属于汽车，那么在训练的时候，汽车的图片则为正样本，负样本原则上本文档来自技高网...

【技术保护点】
1.一种金融数据的样本标签确定方法，其特征在于，包括：/n确定正样本集合和未分类样本集合中的多个用户的多维度金融数据特征值，所述正样本集合和所述未分类样本集合中均包括多个用户的金融数据；/n通过所述正样本集合中的多个用户的多维度金融数据特征值与超球体方程生成目标超球体方程；/n分别将所述未分类样本集合中用户的多维度金融数据特征值代入所述目标超球体方程以获取所述用户的超球体距离；以及/n将所述用户的超球体距离与阈值进行比较，以确定所述用户的样本标签，所述样本标签包括正样本标签与负样本标签。/n

【技术特征摘要】
1.一种金融数据的样本标签确定方法，其特征在于，包括：
确定正样本集合和未分类样本集合中的多个用户的多维度金融数据特征值，所述正样本集合和所述未分类样本集合中均包括多个用户的金融数据；
通过所述正样本集合中的多个用户的多维度金融数据特征值与超球体方程生成目标超球体方程；
分别将所述未分类样本集合中用户的多维度金融数据特征值代入所述目标超球体方程以获取所述用户的超球体距离；以及
将所述用户的超球体距离与阈值进行比较，以确定所述用户的样本标签，所述样本标签包括正样本标签与负样本标签。


2.如权利要求1所述的方法，其特征在于，确定正样本集合和未分类样本集合中的多个用户的多维度金融数据特征值包括：
获取所述正样本集合和所述未分类样本集合中的多个用户的金融数据；以及
将所述多个用户的金融数据与预设的多维度特征向量基准值进行比对以生成多个用户的所述多维度金融数据特征值。


3.如权利要求1-2中任一所述的方法，其特征在于，将所述多个用户的金融数据与预设的多维度特征向量基准值进行比对以生成多个用户的所述多维度金融数据特征值包括：
将所述多个用户的金融数据按照预设的维度进行分类，生成多维度金融数据；以及
将所述多维度金融数据与预设的多维度特征向量基准值进行比对以生成多个用户的所述多维度金融数据特征值。


4.如权利要求1-3中任一所述的方法，其特征在于，还包括：
确定所述用户的金融数据的特征维度；以及
基于所述特征维度与所述维度对应的多个用户的金融数据的数值确定所述多维度特征向量基准值。


5.如权利要求1-4中任一所述的方法，其特征在于，通过所述正样本集合中的多个用户的多维度金融数据特征值与超球体方程生成目标超球体方程包括：
通过所述正样本集合中的多个用户的多维度金融数据特征值对所述超球体方程进行参数训练以生成目标...

【专利技术属性】
技术研发人员：王鹏，高明宇，张潮华，郑彦，
申请(专利权)人：北京淇瑀信息科技有限公司，
类型：发明
国别省市：北京;11