神经网络模型的训练方法、调用方法、设备及存储介质技术

本申请公开了一种神经网络模型的训练方法、调用方法、设备及存储介质，该方法包括：获取训练样本数据；将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；根据训练后的每个所述多项式，完成所述神经网络模型训练。该神经网络模型兼顾了模型的精度和可解释性。

【技术实现步骤摘要】
神经网络模型的训练方法、调用方法、设备及存储介质
本申请涉及计算机
，尤其涉及一种神经网络模型的训练方法、调用方法、设备及存储介质。
技术介绍
在智能推荐、智能风控等二分类场景中，通常采用逻辑回归模型、复杂机器学习模型等模型进行二分类处理，如进行推荐或不推荐，通过或拒绝等。逻辑回归模型，简单易用，容易理解，模型的可解释性强，但是逻辑回归模型的精度低，输出结果的精准性不高。复杂机器学习模型，其精度高，输出结果的精准性高，但是复杂机器学习模型的可解释性弱，人们无法理解模型输出结果的原因，存在不可解释性。因此，如何兼顾模型的精度以及可解释性成为亟需解决的问题。
技术实现思路
本申请实施例提供一种神经网络模型的训练方法、调用方法、设备及存储介质，可以实现兼顾模型的精度以及可解释性。第一方面，本申请实施例提供了一种神经网络模型的训练方法，包括：获取训练样本数据；将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多本文档来自技高网...

【技术保护点】
1.一种神经网络模型的训练方法，其特征在于，包括：/n获取训练样本数据；/n将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；/n根据训练后的每个所述多项式，完成所述神经网络模型训练。/n

【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，包括：
获取训练样本数据；
将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；
根据训练后的每个所述多项式，完成所述神经网络模型训练。


2.根据权利要求1所述的方法，其特征在于，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，包括：
将所述神经网络模型中的每个多项式依次确定为当前待训练的多项式；
若所述多个多项式中不存在已训练的多项式，则将所述神经网络模型中除所述当前待训练的多项式以外的其他多项式置零，输入所述训练样本数据至所述神经网络模型，对所述当前待训练的多项式进行训练；
若所述多个多项式中存在已训练的多项式，则将所述神经网络模型中除所述已训练的多项式和所述当前待训练的多项式以外的其他多项式置零，输入所述训练样本数据至所述神经网络模型，对所述当前待训练的多项式进行训练。


3.根据权利要求1所述的方法，其特征在于，所述多个多项式包括第一多项式、第二多项式和第三多项式，所述第一多项式为一阶多项式，所述第二多项式为二阶多项式，所述第三多项式为三阶或三阶以上多项式，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，包括：
将所述第二多项式和所述第三多项式置零，输入所述训练样本数据至所述神经网络模型，对所述第一多项式进行训练；
将所述第三多项式置零，并基于训练后的所述第一多项式，输入所述训练样本数据至所述神经网络模型，对所述第二多项式进行训练；
基于训练后的所述第一多项式以及训练后的所述第二多项式，将所述训练样本数据输入所述神经网络模型，对所述第三多项式进行训练。


4.根据权利要求3所述的方法，其特征在于，所述第三多项式为高阶决策树规则函数多项式，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练之前，包括：
采用随机森林算法生成多棵决策树；
基于所述多棵决策树，确定对应路径长度大于2的多条路径；
根据所述多条路径，生成所述高阶决策树规则函数多项式。


5.根据权利要求3所述的方法，其特征在于，所述对所述第一多项式...

【专利技术属性】
技术研发人员：邵俊，张磊，曹新建，
申请(专利权)人：深圳索信达数据技术有限公司，
类型：发明
国别省市：广东;44