【技术实现步骤摘要】
基于风险识别的模型训练方法、装置和电子设备
本说明书实施例涉及计算机
,尤其涉及一种基于风险识别的模型训练方法、装置和电子设备。
技术介绍
机器学习是人工智能的一个分支学科,主要研究的是让机器从过去的经历中学习经验,对数据的不确定性进行建模,对未来进行预测。通常,机器学习方法包括如下两类:a.有监督方法:有标注数据时,有监督方法通常可以实现更强的泛化能力;b.无监督方法:不需要标注数据,通过异常检测技术就可以防范恶意攻击;在实际业务场景中,在更多时候,可能只得到一小部分正样本和大量未标记的样本,但这些未标记样本中可能仍有少量正样本。虽然为了方便操作,可以将未标记样本都作为负样本进行训练,但是如何在这种情况下提升模型辨别准确度,就成为一个值得思考的问题。
技术实现思路
有鉴于此,本说明书实施例提供了一种提升模型准确度的基于风险识别的模型训练方法、装置和电子设备。本说明书实施例采用下述技术方案:本说明书实施例提供一种基于风险识别的模型训练方法,包括:获取无 ...
【技术保护点】
1.一种基于风险识别的模型训练方法,包括:/n获取无样本标签的第一数据集,所述第一数据集包含预期具有第一类样本标签的样本数据,在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据;/n对所述第一数据集预配置所述第一类样本标签;/n利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型,生成预测值;/n利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量,所述损失函数包括所述第一模型参数和统计中心期望值;/n估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值;/n基于所述统计中心估值与统计中心 ...
【技术特征摘要】
1.一种基于风险识别的模型训练方法,包括:
获取无样本标签的第一数据集,所述第一数据集包含预期具有第一类样本标签的样本数据,在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据;
对所述第一数据集预配置所述第一类样本标签;
利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型,生成预测值;
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量,所述损失函数包括所述第一模型参数和统计中心期望值;
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值;
基于所述统计中心估值与统计中心期望值之间的约束关系,将所述统计中心估值转换成所述统计中心期望值;
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数,直到所述损失量达到预设条件。
2.如权利要求1所述的方法,所述损失函数包含第一函数项和第二函数项,所述第一函数项和第二函数项均包含所述第一模型参数,所述第二函数项相比于所述第一函数项还包括所述统计中心期望值。
3.如权利要求1所述的方法,估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值,包括:
估算所述预配置所述第一类样本标签的所述第一数据集的第一统计中心估值;
获取用于训练所述目标模型的实际具有所述第二类样本标签的第二数据集的第二统计中心估值;
基于所述统计中心估值与统计中心期望值之间的约束关系,将所述统计中心估值转换成所述统计中心期望值,包括:
基于所述第一统计中心估值与第一统计中心期望值之间的第一约束关系,将所述第一统计中心估值转换成所述第一统计中心期望值;
基于所述第二统计中心估值与第二统计中心期望值之间的第二约束关系,将所述第二统计中心估值转换成所述第二统计中心期望值;
所述损失函数还包含所述第二统计中心期望值,则利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数,包括:
利用所述损失量和所述损失量对应的所述第一统计中心期望值和第二统计中心期望值调整所述第一模型参数。
4.如权利要求3所述的方法,所述方法还包括:
计算所述第一数据集中的各样本数据和所述各样本数据预配置的所述第一类样本标签之间的第一协方差,还计算所述第二数据集中的各样本数据和所述各样本数据具有的所述第二类样本标签之间的第二协方差;
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值,包括:
利用所述第一统计中心估值、第一协方差与第一统计中心期望值之间的第一约束关系,将所述第一统计中心估值转换成所述第一统计中心期望值;
利用所述第二统计中心估值、第二协方差与第二统计中心期望值之间的第二约束关系,将所述第二统计中心估值转换成所述第二统计中心期望值。
5.如权利要求1所述的方法,利用预配置所述第一类样本标签的所述第一数据集运行配置第一模型参数的目标模型,包括:
利用所述目标模型中配置的第二模型参数提取所述第一数据集中的特征信息,利用所述目标模型中配置的所述第一模型参数识别所述特征信息以生成所述预测值;
估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值,包括:
估算所述损失量对应的所述特征信息的所述统计中心估值;
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数,包括:
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数和所述第二模型参数。
6.如权利要求5所述的方法,所述目标模型包含配置所述第二模型参数的神经网络和配置所述第一模型参数的分类器。
7.如权利要求1所述的方法,获取无样本标签的第一数据集,包括:
从数据库中获取无样本标签的第一数据集。
8.如权利要求7所述的方法,从数据库中获取无样本标签的第一数据集,包括:
从电商平台的数据库中获取所述无样本标签的第一数据集。
9.如权利要求8所述的方法,从电商平台的数据库中获取所述无样本标签的第一数据集,包括:
基于消费用户标识,从所述电商平台的数据库中获取所述消费用户标识所对应的所述无样本标签的第一数据集;
对所述消费用户标识预配置所述第一类样本标签。
10.一种基于风险识别的模型训练方法,包括:
获取无样本标签的第一数据集,所述第一数据集包含预期的负样本数据,在所述预期的负样本数据中掺杂有正样本数据;
对所述第一数据集预配置负样本标签;
利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型,生成预测值;
利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量,所述损失函数包括所述第一模型参数和统计中心期望值;
估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值;
基于所述统计中心估值与统计中心期望值之间的约束关系,将所述统计中心估值转换成所述统计中心期望值;
利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数,直到所述损失量达到预设条件。
11.一种基于风险识别的模型训练装置,包括:
获取模块,获取无样本标签的第一数据集,所述第一数据集包含预期具有第一类样本标签的样本数据,在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据;
配置模块,对所述第一数据集预配置所述第一类样本标签;
运行模块,利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型,生成预测值;
判断模块,利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量,所述损失函数包括所述第一模型参数和统计中心期望值;
估算模块,估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值;
转换模块,基于所述统计中心估值与统计中心期望值之间的约束关系,将所述统计中心估值转换成所述统计中心期望值;
调整模块,利用所...
【专利技术属性】
技术研发人员:吕乐,傅幸,周璟,宝鹏庆,王维强,
申请(专利权)人:支付宝杭州信息技术有限公司,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。