【技术实现步骤摘要】
准确的机器学习异步预测方法及系统、存储介质
本申请涉及机器学习
，尤其涉及一种准确的机器学习异步预测方法及系统、计算机可读存储介质。
技术介绍
在机器学习训练中，为了能较快地得到模型预测的准确率，通常会采用在对观测数据进行下采样后再进行预测的方法。但是使用这种方法会丢失许多数据，从而出现因数据丢失而导致的预测不准确的问题。而在机器学习的早停机制里，会将训练数据拆分为训练集和测试集，并在发现测试集的验证错误率越来越大时停止训练，然后将错误率上升前的最后一个结果的训练参数作为这个模型的最优参数。早停机制仅通过部分值的收敛规律来判断是否停止训练，由于仅根据几次验证结果中准确率下降的情况就决定是否进行早停，会出现因误判而导致低估了模型的最终准确率的问题，具有局限性。
技术实现思路
本申请实施例通过提供一种准确的机器学习异步预测方法及系统、计算机可读存储介质，解决了传统技术无法准确高效地对机器学习模型的准确率进行预测的问题，实现了对机器学习模型准确率的精准预测，并且提高了对机器学习模型的准确率进行预测时的效率...
【技术保护点】
1.一种准确的机器学习异步预测方法，其特征在于，所述方法包括：/n在每次对模型进行训练后，将当前训练次数与相应的验证准确率记录在历史数据中并判断当前是否满足预测执行条件；其中，每次对模型进行训练都使用全部训练样本；/n若当前已满足所述预测执行条件，则采用层级式遍历拟合方法对当前历史数据进行曲线拟合；/n若已成功对所述当前历史数据进行曲线拟合，则计算每个拟合结果的误差值，并将误差值最小的拟合结果作为最终拟合结果；/n将待预测训练次数输入至所述最终拟合结果，计算后得到预测准确率，并利用所述预测准确率确定最终准确率；其中，准确率预测过程与模型训练过程异步进行。/n
【技术特征摘要】
1.一种准确的机器学习异步预测方法，其特征在于，所述方法包括：
在每次对模型进行训练后，将当前训练次数与相应的验证准确率记录在历史数据中并判断当前是否满足预测执行条件；其中，每次对模型进行训练都使用全部训练样本；
若当前已满足所述预测执行条件，则采用层级式遍历拟合方法对当前历史数据进行曲线拟合；
若已成功对所述当前历史数据进行曲线拟合，则计算每个拟合结果的误差值，并将误差值最小的拟合结果作为最终拟合结果；
将待预测训练次数输入至所述最终拟合结果，计算后得到预测准确率，并利用所述预测准确率确定最终准确率；其中，准确率预测过程与模型训练过程异步进行。
2.如权利要求1所述的准确的机器学习异步预测方法，其特征在于，所述预测执行条件包括：第一预测执行条件、第二预测执行条件、第三预测执行条件、第四预测执行条件；其中，所述第一预测执行条件为当前训练次数大于或等于预设训练次数，所述第二预测执行条件为当前训练次数小于待预测训练次数，所述第三预测执行条件为当前历史数据的方差小于预设方差阈值；所述第四预测执行条件为当前历史数据中的验证准确率未持续下降。
3.如权利要求2所述的准确的机器学习异步预测方法，其特征在于，在所述判断当前是否满足预测执行条件的步骤之后，还包括：
若当前已满足第一预测执行条件和第二预测执行条件而未满足第三预测执行条件或第四预测执行条件，则将所述当前历史数据中的最大验证准确率作为最终准确率。
4.如权利要求1所述的准确的机器学习异步预测方法，其特征在于，所述采用层级式遍历拟合方法对当前历史数据进行曲线拟合的步骤包括：
先遍历使用基本函数对当前历史数据进行曲线拟合，再遍历使用由所述基本函数组合而成的复合函数对所述当前历史数据进行曲线拟合。
5.如权利要求1...
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。