正则化线性回归生成方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了正则化线性回归生成方法、装置、电子设备及存储介质，涉及人工智能技术和深度学习领域，可应用于图像处理。具体方案为：生成线性回归搜索空间，根据线性回归搜索空间生成待训练正则化线性回归，并对待训练正则化线性回归进行训练并进行性能评估，当评估结果不满足评分要求时对待训练正则化线性回归进行迭代更新，直至评估结果满足评分要求或对待训练正则化线性回归的迭代更新次数达到预设迭代次数。通过本申请实现了正则化线性回归的自动生成，在线性回归搜索空间中进行自动搜索以生成正则化线性回归，使得正则化线性回归中特征的正则化项是独立的，从而得到的正则化线性回归具备优化的正则约束，能保证正则化线性回归模型的性能。

【技术实现步骤摘要】
正则化线性回归生成方法、装置、电子设备及存储介质
本申请的实施例总体上涉及计算机
，并且更具体地，涉及人工智能技术和深度学习领域，可应用于图像处理。
技术介绍
深度学习是机器学习研究中的一个新的领域，其目的在于建立模拟人脑进行分析学习的神经网络。近年来，深度学习技术在计算机视觉、语音识别、自然语言处理等人工智能技术研究的多个方面取得了成功。深度学习技术中，人工神经网络(ArtificialNeuralNetwork，ANN)结构的好坏对最终模型的效果有非常重要的影响。手工设计网络拓扑结构要求设计人员具备丰富的经验并需要多次尝试，且当参数较多时会产生爆炸性的组合，采用常规的随机搜索算法来生成网络结构的方式可行性较低，因此神经网络架构搜索(NeuralArchitectureSearch，NAS)技术逐渐成为深度学习领域的研究热点。
技术实现思路
本申请提供了一种正则化线性回归生成方法、装置、电子设备及存储介质。根据第一方面，提供了一种正则化线性回归生成方法，包括：获取训练集和验证集，并将所述训练集本文档来自技高网...

【技术保护点】
1.一种正则化线性回归生成方法，包括：/n获取训练集和验证集，并将所述训练集和所述验证集划分为K个训练子集和K个验证子集，其中，K为正整数；/n生成线性回归搜索空间，根据所述线性回归搜索空间生成待训练正则化线性回归；/n根据所述K个训练子集对所述待训练正则化线性回归进行训练以生成K个正则化线性回归模型；/n分别使用所述K个验证子集对所述K个正则化线性回归模型进行评估以生成所述K个正则化线性回归模型的评分值；以及/n根据所述K个正则化线性回归模型的评分值对所述待训练正则化线性回归进行N次迭代更新，直至所述K个正则化线性回归模型的评分值满足评分要求或者N到达预设迭代次数，其中，N为正整数。/n

【技术特征摘要】
1.一种正则化线性回归生成方法，包括：
获取训练集和验证集，并将所述训练集和所述验证集划分为K个训练子集和K个验证子集，其中，K为正整数；
生成线性回归搜索空间，根据所述线性回归搜索空间生成待训练正则化线性回归；
根据所述K个训练子集对所述待训练正则化线性回归进行训练以生成K个正则化线性回归模型；
分别使用所述K个验证子集对所述K个正则化线性回归模型进行评估以生成所述K个正则化线性回归模型的评分值；以及
根据所述K个正则化线性回归模型的评分值对所述待训练正则化线性回归进行N次迭代更新，直至所述K个正则化线性回归模型的评分值满足评分要求或者N到达预设迭代次数，其中，N为正整数。


2.如权利要求1所述的正则化线性回归生成方法，其中，所述根据所述线性回归搜索空间生成待训练正则化线性回归，包括：
根据所述线性回归搜索空间生成正则化线性回归序列生成器；
根据所述正则化线性回归序列生成器生成正则化线性回归序列；以及
根据所述正则化线性回归序列和所述线性回归搜索空间生成所述待训练正则化线性回归。


3.如权利要求2所述的正则化线性回归生成方法，其中，所述根据所述K个正则化线性回归模型的评分值对所述待训练正则化线性回归进行N次迭代更新，包括：
分别获取所述K个正则化线性回归模型的K个评分值；
根据所述K个正则化线性回归模型的K个评分值生成平均评分值；
如果所述平均评分值小于所述评分要求，且当前迭代次数N小于所述预设迭代次数，则进一步更新所述正则化线性回归序列生成器；以及
通过更新之后的所述正则化线性回归序列生成器对所述待训练正则化线性回归进行更新。


4.如权利要求3所述的正则化线性回归生成方法，其中，所述正则化线性回归序列生成器为神经网络模块或进化算法模块，其中，所述进一步更新所述正则化线性回归序列生成器，包括：
当所述正则化线性回归序列生成器为所述神经网络模块时，通过反向传播算法更新所述正则化线性回归序列生成器；
当所述正则化线性回归序列生成器为所述进化算法模块时，通过种群更新算法更新所述正则化线性回归序列生成器。


5.如权利要求1所述的正则化线性回归生成方法，其中，所述生成线性回归搜索空间，包括：
获取所述线性回归搜索空间所需的岭回归项和/或最小绝对值收敛和选择算子LASSO回归项；
获取特征作为所述线性回归搜索空间所需的所述岭回归项和所述LASSO回归项的最小粒度；
获取所述线性回归搜索空间所需的每个特征的系数，其中，不同维度的特征的系数不相关；以及
根据所述岭回归项和/或所述LASSO回归项，以及所述特征、所述每个特征的系数，构建所述线性回归搜索空间。


6.如权利要求1所述的正则化线性回归生成方法，其中，所述将所述训练集和所述验证集划分为K个训练子集和K个验证子集，包括：
通过K折交叉划分算法将所述训练集和所述验证集划分为K个训练子集和K个验证子集。


7.一种正则化线性回归生成装置，包括：
获取模块，用于获取训练集和验证集，并将所述训练集和所述验证集划分为K个训练子集和K个验证子集，其中，K为正整数；
第一生成模块，用于生成线性回归搜索空间；
第二生成模块，用于根据所述线性回归搜索...

【专利技术属性】
技术研发人员：希滕，张刚，温圣召，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11