基于机器学习的QA辅助决策方法及系统技术方案

本发明专利技术涉及机器学习技术领域，具体公开了基于机器学习的QA辅助决策方法及系统，方法，包括如下步骤：S1、从用户端获取评估指标，并获取数据库的地址；S2、从用户端获取预设的回归模型类别和分类模型类别；S3、从数据库中获取数据，从用户端接收回归模型类别或分类模型类别选取信息；S4、服务器根据选取的回归模型类别或分类模型类别,遍历回归模型类别或分类模型类别中所有子模型，将数据放入到每一子模型中进行训练和测试，选取准确率最高的子模型进行模型固化；S5、从用户端获取重置周期信息，在每个重置周期，重复S4；S6、服务器基于固化后的子模型对数据库内的数据进行实时预测。采用本发明专利技术的技术方案能够提高准确性和稳定性。

【技术实现步骤摘要】
基于机器学习的QA辅助决策方法及系统
本专利技术涉及机器学习
，特别涉及基于机器学习的QA辅助决策方法及系统。
技术介绍
银行中，传统的QA(质量保证)主要依靠评估人员根据经验来设置一定的规则，用设置的规则对质量管理过程进行评估。这种方式的主要不足是，在需要评估的项目较多时，由于评估人员的数量有限，通常需要耗费大量的时间；而且由于人的精力有限，在巨大的工作量下，往往难以保证评估的准确性和稳定性。随着机器学习相关技术的出现，利用机器学习取代人对质量管理过程等进行评估成为了可能。机器学习包括数据、算法和算力三个要素，机器学习拥有丰富的算法模型，比如逻辑回归模型(LogisticsRegression)、支持向量机模型(SVM)、神经网络模型(NeuralNetwork)、决策树(DecisionTree)等，这些算法本质是将数据模型化，并利用训练数据来寻找最优的模型参数，以便准确的表达数据和处理数据。在实际应用中为了保证评估的准确性，需要选择合适的算法模型；当前的做法通常是确定一个准确性较高的算法模型后，便一直采用此算法模型进本文档来自技高网...

【技术保护点】
1.基于机器学习的QA辅助决策方法，其特征在于，包括如下步骤：/nS1、服务器从用户端获取评估指标，并获取各评估指标对应数据的数据库的地址；/nS2、服务器从用户端获取预设的回归模型类别和分类模型类别，回归模型类别和分类模型类别均包括若干子模型；/nS3、服务器从数据库中获取数据，从用户端接收回归模型类别或分类模型类别选取信息；/nS4、服务器根据选取的回归模型类别或分类模型类别,遍历回归模型类别或分类模型类别中所有子模型，将数据放入到每一子模型中进行训练和测试，选取准确率最高的子模型进行模型固化；/nS5、服务器从用户端获取重置周期信息，在每个重置周期，重复S4；/nS6、服务器基于固化后的...

【技术特征摘要】
1.基于机器学习的QA辅助决策方法，其特征在于，包括如下步骤：
S1、服务器从用户端获取评估指标，并获取各评估指标对应数据的数据库的地址；
S2、服务器从用户端获取预设的回归模型类别和分类模型类别，回归模型类别和分类模型类别均包括若干子模型；
S3、服务器从数据库中获取数据，从用户端接收回归模型类别或分类模型类别选取信息；
S4、服务器根据选取的回归模型类别或分类模型类别,遍历回归模型类别或分类模型类别中所有子模型，将数据放入到每一子模型中进行训练和测试，选取准确率最高的子模型进行模型固化；
S5、服务器从用户端获取重置周期信息，在每个重置周期，重复S4；
S6、服务器基于固化后的子模型对数据库内的数据进行实时预测。


2.根据权利要求1所述的基于机器学习的QA辅助决策方法，其特征在于：所述S2中，服务器还包括从用户端获取预设回归模型类别和分类模型类别下各子模型的参数配置。


3.根据权利要求2所述的基于机器学习的QA辅助决策方法，其特征在于：所述S1中，所述评估指标包括工作饱和度、缺陷发现率、自动化覆盖率和缺陷遗漏率中的一种或多种。


4.根据权利要求3所述的基于机器学习的QA辅助决策方法，其特征在于：所述S2中，回归模型类别的子模型包括逻辑回归模型和线性回归模型；分类模型类型的子模型包括贝叶斯分类模型和决策树分类模型。


5.根据权利要求4所述的基于机器学习的QA辅助决策方法，其特征在于：所述S1中，数据库包括MYSQL、ES和ORACLE中的一种或多种。


6.根据权利要求1所述的基于机器学习的QA辅助决策方法，其特征在于：所述S4中，当准确率最高子模型数...

【专利技术属性】
技术研发人员：杨斌，
申请(专利权)人：重庆富民银行股份有限公司，
类型：发明
国别省市：重庆;50