基于AutoML的对象预测分类方法、装置、计算机设备及存储介质制造方法及图纸

本申请属于人工智能领域，涉及基于AutoML的对象预测分类方法，包括:获取多个对象的原始数据；获取包含多个模型的预设模型框架，基于各对象的原始数据构建与各模型相对应的特征，并将构建的各特征进行组合编码生成组合特征集，预设模型框架基于AutoML从多个模型框架中筛选获得；将组合特征集输入预设模型框架得到各对象的预测分类标签，实现各对象的预测分类。本申请还提供基于AutoML的对象预测分类装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，待预测分类的多个对象对应的原始数据可存储于区块链中。本申请通过AutoML挑选出最优的算法组合，实现对多个模型框架的筛选，通过基于最优算法组合的模型框架对各个对象进行预测分类，预测准确度更高。

【技术实现步骤摘要】
基于AutoML的对象预测分类方法、装置、计算机设备及存储介质
本申请涉及人工智能
，尤其涉及基于AutoML的对象预测分类方法、装置、计算机设备及存储介质。
技术介绍
在对一些目标对象可能的分类进行预测时，往往建立基于机器学习的分类预测模型，机器学习的应用需要大量的人工干预，这些人工干预表现在征工程、模型构建、参数优化等机器学习的各个方面，每一个部分需要具备专业知识的数据科学家来完成，建立起数据到计算的桥梁，然而，即使是数据科学家也需要花费大量的精力来进行算法与模型的选择，机器学习的门槛增加了分类预测模型建立的难度和复杂度，导致无法快速得到满足分类预测要求的模型。
技术实现思路
本申请实施例的目的在于提出一种基于AutoML的对象预测分类方法、装置、计算机设备及存储介质，以解决现有技术中目标对象的分类预测模型构建速度慢效率低的问题。为了解决上述技术问题，本申请实施例提供一种基于AutoML的对象预测分类方法，采用了如下所述的技术方案：一种基于AutoML的对象预测分类方法，包括下述步骤：获取待预测分类的多个对象对应的原始数据；获取预设模型框架，所述预设模型框架包含多个模型，基于各所述对象的原始数据构建与各所述模型相对应的特征，并将构建的各所述特征进行组合编码生成组合特征集，其中，所述预设模型框架基于AutoML从多个模型框架中筛选获得；将所述组合特征集输入所述预设模型框架，得到各所述对象的预测分类标签，实现各所述对象的预测分类。为了解决上述技术问题，本申请实施例还提供一种基于AutoML的对象预测分类装置，采用了如下所述的技术方案：一种基于AutoML的对象预测分类装置，包括：数据获取模块，用于获取待预测分类的多个对象对应的原始数据；特征生成模块，用于获取预设模型框架，所述预设模型框架包含多个模型，基于各所述对象的原始数据构建与各所述模型相对应的特征，并将构建的各所述特征进行组合编码生成组合特征集，其中，所述预设模型框架基于AutoML从多个模型框架中筛选获得；分类预测模块，用于将所述组合特征集输入所述预设模型框架，得到各所述对象的预测分类标签，实现各所述对象的预测分类。为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于AutoML的对象预测分类方法的步骤。为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于AutoML的对象预测分类方法的步骤。与现有技术相比，本申请实施例提供的基于AutoML的对象预测分类方法、装置、计算机设备及存储介质主要有以下有益效果：通过AutoML使用自动化的数据驱动方式来从大量的算法中挑选出最优的算法组合，实现对多个模型框架的筛选，自动决定最佳的方案，用户不需要学习各种机器学习的算法也可以实现模型框架的生成，通过基于最优算法组合的模型框架对各个对象进行预测分类，可以获得更好的预测效果，预测准确度更高。附图说明为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，下面描述中的附图对应于本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请可以应用于其中的示例性系统架构图；图2是根据本申请的基于AutoML的对象预测分类方法的一个实施例的流程图；图3是根据本申请的基于AutoML从多个模型框架中筛选获得预设模型框架的一个实施例的流程图；图4是根据本申请的基于AutoML的对象预测分类装置的一个实施例的结构示意图；图5根据本申请的基于AutoML的对象预测分类装置的另一个实施例的结构示意图；图6是根据本申请的计算机设备的一个实施例的结构示意图。具体实施方式除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。为了使本
的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(MovingPictureExpertsGroupAudioLayerIII，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExpertsGroupAudioLayerIV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。需要说明的是，本申请实施例所提供的基于AutoML的对象预测分类方法一般由服务器执行，相应地，基于AutoML的对象预测分类装置一般设置于服务器中。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。继续参考图2，其示出了根据本申请的基于AutoML的对象预测分类方法的一个实施例的流程图。所述的基于AutoML的对象预测分类方法包括以下步骤：S201、获取待预测分类的多个对象对应的原始数据；...

【技术保护点】
1.一种基于AutoML的对象预测分类方法，其特征在于，包括下述步骤：/n获取待预测分类的多个对象对应的原始数据；/n获取预设模型框架，所述预设模型框架包含多个模型，基于各所述对象的原始数据构建与各所述模型相对应的特征，并将构建的各所述特征进行组合编码生成组合特征集，其中，所述预设模型框架基于AutoML从多个模型框架中筛选获得；/n将所述组合特征集输入所述预设模型框架，得到各所述对象的预测分类标签，实现各所述对象的预测分类。/n

【技术特征摘要】
1.一种基于AutoML的对象预测分类方法，其特征在于，包括下述步骤：
获取待预测分类的多个对象对应的原始数据；
获取预设模型框架，所述预设模型框架包含多个模型，基于各所述对象的原始数据构建与各所述模型相对应的特征，并将构建的各所述特征进行组合编码生成组合特征集，其中，所述预设模型框架基于AutoML从多个模型框架中筛选获得；
将所述组合特征集输入所述预设模型框架，得到各所述对象的预测分类标签，实现各所述对象的预测分类。


2.根据权利要求1所述的基于AutoML的对象预测分类方法，其特征在于，基于AutoML从多个模型框架中筛选获得所述预设模型框架包括：
获取历史数据，所述历史数据对应多个历史对象；
获取多个模型框架，基于所述历史数据构建与每个所述模型框架相对应的组合特征，形成多个训练集和多个验证集；
将每个所述训练集输入对应的所述模型框架中进行模型训练，完成训练后将所述验证集输入对应的所述模型框架中，根据各所述模型框架的输出获取模型评价参数，根据所述模型评价参数从所述多个模型框架中筛选得到所述预设模型框架。


3.根据权利要求2所述的基于AutoML的对象预测分类方法，其特征在于，所述获取多个模型框架包括：
判断当前是否存在已构建的与对象预测分类相关的模型框架；
若存在则直接获取已构建的模型框架，否则读取配置文件，根据所述配置文件获取至少一个模型框架的模型参数，根据所述模型参数构建至少一个模型框架。


4.根据权利要求3所述的基于AutoML的对象预测分类方法，其特征在于，在所述根据所述模型参数构建至少一个模型框架时，所述方法还包括对所述历史数据进行预处理，所述预处理至少包括one-hot编码处理和归一化处理中的一种。


5.根据权利要求2所述的基于AutoML的对象预测分类方法，其特征在于，在所述基于所述历史数据构建与每个所述模型框架相对应的组合特征时，所述方法还包括：对基于所述历史数据构...

【专利技术属性】
技术研发人员：陈远波，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：广东;44