机器学习建模方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种机器学习建模方法、装置、设备和计算机可读存储介质，该机器学习建模方法包括：获取多个第一变量和拟合目标，并确定各所述第一变量对应的预设变量方向；将各所述第一变量和所述拟合目标输入至预设模型进行训练，以获取多个决策树；基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树；基于各所述目标决策树和所述拟合目标进行模型构建，以获取目标模型。本发明专利技术达到了在提高模型的区分效果的同时，又能够降低模型过拟合的风险的有益效果。

Machine learning modeling methods, devices, devices and computer readable storage media

【技术实现步骤摘要】
机器学习建模方法、装置、设备及计算机可读存储介质
本专利技术涉及科技金融(Fintech)
，尤其涉及一种机器学习建模方法、装置、设备及计算机可读存储介质。
技术介绍
随着金融科技(Fintech)，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域。例如，与科技金融密切挂钩的模型技术，传统的风险建模方法重点关注解释性，依赖于业务专家经验，但对模型的区分效果有所降低，不能完全满足用户的需求。而目前新兴的机器学习则是以区分效果为主，但是存在过拟合风险，模型结果可能不准确，因此，这两种方式均不能满足用户的需求，存在一定的缺陷。因此，如何在提高模型的区分效果的同时，又能够降低模型过拟合的风险成为了目前亟待解决的技术问题。
技术实现思路
本专利技术的主要目的在于提供一种机器学习建模方法、装置、设备和计算机存储介质，旨在解决如何在提高模型的区分效果的同时，又能够降低模型过拟合的风险的技术问题。为实现上述目的，本专利技术提供一种机器学习建模方法、装置、设备以及计算机可读存储介质，所述机器学习建模方法包括：获取多个第一变量和拟合目标，并确定各所述第一变量对应的预设变量方向；将各所述第一变量和所述拟合目标输入至预设模型进行训练，以获取多个决策树；基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树；基于各所述目标决策树和所述拟合目标进行模型构建，以获取目标模型。可选地，所述基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树的步骤，包括：计算各所述决策树所应用的应用变量，并确定各所述应用变量对应的应用变量方向；基于各所述应用变量方向和各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树。可选地，所述基于各所述应用变量方向和各所述预设变量方向对各所述决策树进行筛选的步骤，包括：依次遍历各所述应用变量方向，并在各所述预设变量方向中确定当前遍历的当前应用变量方向对应的当前预设变量方向；检测所述当前应用变量方向是否和所述当前预设变量方向一致；若是，则基于所述当前应用变量方向确定所述当前预设变量方向对应的决策树为目标决策树，直至各所应用变量方向遍历完成。可选地，所述基于所述当前应用变量方向确定所述当前预设变量方向对应的决策树为目标决策树的步骤，包括：确定所述当前应用变量方向在各所述决策树中的方向是否一致；若所述当前应用变量方向在各所述决策树中的方向均一致，则确定所述当前预设变量方向对应的决策树为目标决策树。可选地，所述在各所述预设变量方向中确定当前遍历的当前应用变量方向对应的当前预设变量方向的步骤，包括：确定当前遍历的当前应用变量所在的当前决策树，并根据所述当前决策树在各所述第一变量中确定第二变量；在各所述预设变量方向中获取所述第二变量对应的预设变量方向，并将所述第二变量对应的预设变量方向作为当前预设变量方向。可选地，所述基于各所述目标决策树和所述拟合目标进行模型构建，以获取目标模型的步骤，包括：确定各所述目标决策树与所述拟合目标的关联度，并在各所述目标决策树中获取关联度大于预设值的关联目标决策树，并根据各所述关联目标决策树和所述拟合目标进行模型构建，以获取目标模型。可选地，所述根据各所述关联目标决策树和所述拟合目标进行模型构建，以获取目标模型的步骤，包括：将各所述关联目标决策树作为输入，并将所述拟合目标作为目标变量，根据预设的建模方式、所述输入和所述目标变量进行模型构建，以获取目标模型。此外，为实现上述目的，本专利技术还提供一种机器学习建模装置，所述机器学习建模装置包括：获取模块，用于获取多个第一变量和拟合目标，并确定各所述第一变量对应的预设变量方向；输入模块，用于将各所述第一变量和所述拟合目标输入至预设模型进行训练，以获取多个决策树；筛选模块，用于基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树；构建模块，用于基于各所述目标决策树和所述拟合目标进行模型构建，以获取目标模型。此外，为实现上述目的，本专利技术还提供一种机器学习建模设备；所述机器学习建模设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中：所述计算机程序被所述处理器执行时实现如上所述的机器学习建模方法的步骤。此外，为实现上述目的，本专利技术还提供计算机存储介质；所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的机器学习建模方法的步骤。本专利技术实施例提出的一种机器学习建模方法、装置、设备及可读存储介质，通过获取多个第一变量和拟合目标，并确定各所述第一变量对应的预设变量方向；将各所述第一变量和所述拟合目标输入至预设模型进行训练，以获取多个决策树；基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树；基于各所述目标决策树和所述拟合目标进行模型构建，以获取目标模型。通过将获取的各个第一变量和拟合目标输入至预设模型进行训练，得到多个决策树，并根据预设变量方向对各个决策树进行筛选，得到目标决策树，再基于目标决策树和拟合目标进行模型构建，得到目标模型，从而完美的将机器学习与传统建模方法结构，在模型构建的过程中引入机器学习方法挖掘信息的能力、提升区分效果，又让模型结果可解释，降低模型过拟合的风险，并能够在提高模型的区分效果的同时，又能够降低模型过拟合的风险。附图说明图1是本专利技术实施例方案涉及的硬件运行环境的终端\装置结构示意图；图2为本专利技术机器学习建模方法第一实施例的流程示意图；图3为本专利技术机器学习建模设备一实施例的系统结构示意图；图4为本专利技术机器学习建模方法中的流程示意图。本专利技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，图1是本专利技术实施例方案涉及的硬件运行环境的终端结构示意图。本专利技术实施例终端为机器学习建模设备。如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。可选地，终端还可以包括摄像头、RF(RadioFrequency，射频)电路，传感器、音频电路、WiFi模块等等。其中本文档来自技高网...

【技术保护点】
1.一种机器学习建模方法，其特征在于，所述机器学习建模方法包括以下步骤：/n获取多个第一变量和拟合目标，并确定各所述第一变量对应的预设变量方向；/n将各所述第一变量和所述拟合目标输入至预设模型进行训练，以获取多个决策树；/n基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树；/n基于各所述目标决策树和所述拟合目标进行模型构建，以获取目标模型。/n

【技术特征摘要】
1.一种机器学习建模方法，其特征在于，所述机器学习建模方法包括以下步骤：
获取多个第一变量和拟合目标，并确定各所述第一变量对应的预设变量方向；
将各所述第一变量和所述拟合目标输入至预设模型进行训练，以获取多个决策树；
基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树；
基于各所述目标决策树和所述拟合目标进行模型构建，以获取目标模型。


2.如权利要求1所述的机器学习建模方法，其特征在于，所述基于各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树的步骤，包括：
计算各所述决策树所应用的应用变量，并确定各所述应用变量对应的应用变量方向；
基于各所述应用变量方向和各所述预设变量方向对各所述决策树进行筛选，以获取多个目标决策树。


3.如权利要求2所述的机器学习建模方法，其特征在于，所述基于各所述应用变量方向和各所述预设变量方向对各所述决策树进行筛选的步骤，包括：
依次遍历各所述应用变量方向，并在各所述预设变量方向中确定当前遍历的当前应用变量方向对应的当前预设变量方向；
检测所述当前应用变量方向是否和所述当前预设变量方向一致；
若是，则基于所述当前应用变量方向确定所述当前预设变量方向对应的决策树为目标决策树，直至各所应用变量方向遍历完成。


4.如权利要求3所述的机器学习建模方法，其特征在于，所述基于所述当前应用变量方向确定所述当前预设变量方向对应的决策树为目标决策树的步骤，包括：
确定所述当前应用变量方向在各所述决策树中的方向是否一致；
若所述当前应用变量方向在各所述决策树中的方向均一致，则确定所述当前预设变量方向对应的决策树为目标决策树。


5.如权利要求3所述的机器学习建模方法，其特征在于，所述在各所述预设变量方向中确定当前遍历的当前应用变量方向对应的当前预设变量方向的步骤，包括：
确定当前遍历的当前应用变量所在的当前决策树，并...

【专利技术属性】
技术研发人员：黄勇卫，壮青，
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