自动集成机器学习的方法、装置、介质及电子设备制造方法及图纸

本发明专利技术实施例提供了一种自动集成机器学习的方法、装置、介质和电子设备，所述方法包括：步骤S1:获取预配置的至少两个机器学习模型、超参数搜索空间、集成算法以及集成算法参数组；步骤S2:将在超参数搜索空间的范围内选择的第一超参数输入到各个所述机器学习模型中；步骤S3:根据所述集成算法以及第一集成算法参数将所述至少两个机器学习模型进行集成，生成第一集成模型；步骤S4:对所述第一集成模型进行训练和模型评分，得到评分结果；步骤S5:以依次执行的步骤S2、步骤S3、步骤S4作为一个循环，在重复执行所述循环后，根据各个所述循环的评分结果确定目标集成模型。本发明专利技术实施例的技术方案可以得到整体较优的集成模型。

【技术实现步骤摘要】
自动集成机器学习的方法、装置、介质及电子设备
本专利技术涉及计算机
，具体而言，涉及一种自动集成机器学习的方法、装置、计算机可读存储介质及电子设备。
技术介绍
机器学习(MachineLearning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，因而也越来越广泛地被用于各种业务场景。通过对业务数据的加工处理、特征的加工和选择以及模型选择和参数的调整，可以获取最优的机器学习模型。这个过程包括了大量重复性和经验性的劳动。自动机器学习技术通过自动特征工程、自动选模、自动调参优化等手段来自动生成机器学习模型，减轻算法人员的劳动量。为了提高机器学习模型的效果，从准确率、精准度、召回率等多方面评价模型，可以采用集成学习等方法来对多个模型进行集成从而得到效果评分更高的集成模型。集成学习是一种使用多种兼容的学习本文档来自技高网...

【技术保护点】
1.一种自动集成机器学习的方法，其特征在于，所述方法包括以下步骤：/n步骤S1:获取预配置的至少两个机器学习模型、各个所述机器学习模型的超参数搜索空间、集成算法以及所述集成算法的集成算法参数组，其中，所述集成算法参数组包括至少一个集成算法参数；/n步骤S2:将在所述超参数搜索空间的范围内选择的第一超参数输入到各个所述机器学习模型中；/n步骤S3:根据所述集成算法以及所述集成算法参数组中的第一集成算法参数将所述至少两个机器学习模型进行集成，生成第一集成模型；/n步骤S4:对所述第一集成模型进行训练和模型评分，得到评分结果；/n步骤S5:以依次执行的步骤S2、步骤S3、步骤S4作为一个循环，在重复...

【技术特征摘要】
1.一种自动集成机器学习的方法，其特征在于，所述方法包括以下步骤：
步骤S1:获取预配置的至少两个机器学习模型、各个所述机器学习模型的超参数搜索空间、集成算法以及所述集成算法的集成算法参数组，其中，所述集成算法参数组包括至少一个集成算法参数；
步骤S2:将在所述超参数搜索空间的范围内选择的第一超参数输入到各个所述机器学习模型中；
步骤S3:根据所述集成算法以及所述集成算法参数组中的第一集成算法参数将所述至少两个机器学习模型进行集成，生成第一集成模型；
步骤S4:对所述第一集成模型进行训练和模型评分，得到评分结果；
步骤S5:以依次执行的步骤S2、步骤S3、步骤S4作为一个循环，在重复执行所述循环后，根据各个所述循环的评分结果确定目标集成模型。


2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：
根据以下任一种集成算法将所述至少两个机器学习模型进行集成：
堆叠集成算法、装袋集成算法和提升集成算法。


3.根据权利要求1所述的方法，其特征在于，在所述步骤S1之前，所述方法还包括：
生成json格式的配置文件，所述配置文件包括所述至少两个机器学习模型、各个所述机器学习模型的超参数搜索空间、至少两个所述集成算法以及各个所述集成算法的集成算法参数组。


4.根据权利要求1所述的方法，其特征在于，所述目标集成模型包括最优超参数和最优集成算法参数，所述根据各个所述循环的评分结果确定目标集成模型，包括：
根据各个所述循环的评分结果和所述循环执行的次数确定目标集成模型。


5.根据权利要求1所述的方法，其特征在于，所述步骤S4之后，所述方法还包括：
根据所述评分结果和优化算法选取下一个所述循环的超参数和集成算法参数。<...

【专利技术属性】
技术研发人员：夏晓华，王美青，吕军，程建波，
申请(专利权)人：京东数字科技控股股份有限公司，
类型：发明
国别省市：北京;11