向后模型选择方法、设备及可读存储介质技术

本申请公开了一种向后模型选择方法、设备和可读存储介质，所述向后模型选择方法包括：接收与所述服务端关联的客户端发送的配置参数并获取待训练特征，并基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型，计算各所述待训练特征对应的第一显著性，并基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型，生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。本申请解决了向后选择模式建模门槛高和效率低的技术问题。

Backward model selection method, device and readable storage medium

【技术实现步骤摘要】
向后模型选择方法、设备及可读存储介质
本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种向后模型选择方法、设备及可读存储介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。随着计算机软件和人工智能的不断发展，机器学习建模的应用也越来越广泛，在现有技术中，金融风控、医疗模型等场景通常会使用逻辑回归模型建模，而在逻辑回归模型建模中，向后选择模式是一种重要的模型选择策略，相比全部特征加入模型训练，能有效的防止模型过拟合，但是，当前的向后选择模式通常需求建模人员具备较高的代码开发能力，且只能进行单机实现，也即，当前的向后选择模式的实施对建模人员具有较高的门槛要求，且由于只能进行单机实现进而导致向后选择模式的建模时间长，建模效率较低，所以，现有技术中存在向后选择模式建模门槛高和效率低的技术问题。
技术实现思路
本申请的主要目的在于提供一种向后模型选择方法、设备和可读存储介质，旨在解决现有技术中向后选择模式建模门槛高和效率低的技术问题。为实现上述目的，本申请提供一种向后模型选择方法，所述向后模型选择方法应用于服务端，所述向后模型选择方法包括：接收与所述服务端关联的客户端发送的配置参数并获取待训练特征，并基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型；计算各所述待训练特征对应的第一显著性，并基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集；基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型；生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。可选地，所述循环训练模型集包括一个或者多个模型元素，各所述模型元素中包括第二初始训练模型，所述基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集的步骤包括：基于各所述第一显著性和所述预设剔除显著性要求，选取各所述待训练特征中的所述待剔除特征，并剔除所述待剔除特征；基于剔除后的各所述待训练特征，对所述第一初始训练模型进行训练，获得所述第二初始训练模型；计算剔除后的各所述待训练特征的第二显著性，并基于各所述第二显著性，在剔除后的各所述待训练特征中再次剔除符合所述预设剔除显著性要求的其他所述待剔除特征；基于再次剔除后的各所述待训练特征，对所述第二初始训练模型进行循环训练，获得一个或者多个所述模型元素，直至各所述待训练特征中不存在所述待剔除特征。可选地，所述基于各所述第一显著性和所述预设剔除显著性要求，选取各所述待训练特征中的所述待剔除特征的步骤包括：将各所述第一显著性进行比对，以在各所述待训练特征中选取显著性最低的特征作为目标特征；将所述目标特征的目标显著性与预设剔除显著性阀值进行比对；若所述目标显著性小于所述预设剔除显著性阀值，则判定所述目标特征满足所述预设剔除显著性要求，并将所述目标特征作为所述待剔除特征。可选地，所述计算各所述待训练特征对应的第一显著性的步骤包括：计算各所述待训练特征的wald卡方值；基于各所述wald卡方值和各所述待训练特征的自由度，计算各所述第一显著性。可选地，所述配置参数包括训练完成判定条件，所述待训练特征包括一条或者多条特征数据；所述基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型的步骤包括：将各所述待训练特征对应的所述特征数据输入所述预设待训练模型，以对所述预设待训练模型进行训练更新；判断更新后的所述预设待训练模型是否满足所述训练完成判定条件，若更新后的所述预设待训练模型满足所述训练完成判定条件，则获得所述第一初始训练模型；若更新后的所述预设待训练模型不满足所述训练完成判定条件，则继续对所述预设待训练模型进行迭代训练更新，直至更新后的所述预设待训练模型满足所述训练完成判定条件。可选地，所述基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型的步骤包括：获取所述参数配置中的模型选择策略，其中，所述模型选择策略包括AUC(AreaUnderCurve，受试者工作特征曲线下与坐标轴围成的面积)值和AIC(Akaikeinformationcriterion，赤池信息量准则)值；若所述模型选择策略为所述AUC值，则将所述循环训练模型集中各元素的所述AUC值进行对比，以选取最大的所述AUC值对应的元素作为所述目标训练模型；若所述模型选择策略为所述AIC值，则将所述循环训练模型集中各元素的所述AIC值进行对比，以选取最小的所述AIC值对应的元素作为所述目标训练模型。可选地，所述客户端包括可视化界面，所述生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端的步骤包括：获取所述目标训练模型的向后模型选择过程对应的备选特征数据、选择汇总数据和训练过程数据；生成所述备选特征数据、所述选择汇总数据和所述训练过程数据共同对应的可视化数据，并将所述可视化数据实时反馈至所述可视化界面。为实现上述目的，本申请还提供一种向后模型选择方法，所述向后模型选择方法应用于客户端，所述向后模型选择方法包括：接收模型选择任务，并将所述模型选择任务对应的配置参数发送至与所述客户端关联的服务端，以供所述服务端基于所述配置参数和获取的待训练特征进行模型选择，获得目标训练模型，并获取所述目标训练模型对应的可视化数据，以将所述可视化数据发送至所述客户端；接收所述服务端反馈的所述可视化数据，并将所述可视化数据在预设可视化界面进行展示。本申请还提供一种向后模型选择装置，所述向后模型选择装置应用于向后模型选择设备，所述向后模型选择装置包括：第一训练模块，用于所述接收与所述服务端关联的客户端发送的配置参数并获取待训练特征，并基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型；第二训练模块，用于所述计算各所述待训练特征对应的第一显著性，并基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集；选取模块，用于所述基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型；反馈模块，用于所述生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。可选地，所述第二训练模块包括本文档来自技高网...

【技术保护点】
1.一种向后模型选择方法，其特征在于，所述向后模型选择方法应用于服务端，所述向后模型选择方法包括：/n接收与所述服务端关联的客户端发送的配置参数并获取待训练特征，并基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型；/n计算各所述待训练特征对应的第一显著性，并基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集；/n基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型；/n生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。/n

【技术特征摘要】
1.一种向后模型选择方法，其特征在于，所述向后模型选择方法应用于服务端，所述向后模型选择方法包括：
接收与所述服务端关联的客户端发送的配置参数并获取待训练特征，并基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型；
计算各所述待训练特征对应的第一显著性，并基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集；
基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型；
生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。


2.如权利要求1所述向后模型选择方法，其特征在于，所述循环训练模型集包括一个或者多个模型元素，各所述模型元素中包括第二初始训练模型，
所述基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集的步骤包括：
基于各所述第一显著性和所述预设剔除显著性要求，选取各所述待训练特征中的所述待剔除特征，并剔除所述待剔除特征；
基于剔除后的各所述待训练特征，对所述第一初始训练模型进行训练，获得所述第二初始训练模型；
计算剔除后的各所述待训练特征的第二显著性，并基于各所述第二显著性，在剔除后的各所述待训练特征中再次剔除符合所述预设剔除显著性要求的其他所述待剔除特征；
基于再次剔除后的各所述待训练特征，对所述第二初始训练模型进行循环训练，获得一个或者多个所述模型元素，直至各所述待训练特征中不存在所述待剔除特征。


3.如权利要求2所述向后模型选择方法，其特征在于，所述基于各所述第一显著性和所述预设剔除显著性要求，选取各所述待训练特征中的所述待剔除特征的步骤包括：
将各所述第一显著性进行比对，以在各所述待训练特征中选取显著性最低的特征作为目标特征；
将所述目标特征的目标显著性与预设剔除显著性阀值进行比对；
若所述目标显著性小于所述预设剔除显著性阀值，则判定所述目标特征满足所述预设剔除显著性要求，并将所述目标特征作为所述待剔除特征。


4.如权利要求1所述向后模型选择方法，其特征在于，所述计算各所述待训练特征对应的第一显著性的步骤包括：
计算各所述待训练特征的wald卡方值；
基于各所述wald卡方值和各所述待训练特征的自由度，计算各所述第一显著性。


5.如权利要求1所述向后模型选择方法，其特征在于，所述配置参数包括训练完成判定条件，所述待训练特征包括一条或者多条特征数据；
所述基于各所述待训练特征和所述配置参数对预设待训练模型进...

【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