本公开实施例提供了一种分类网络模型的生成方法及装置，以解决现有分类网络模型性能差问题。具体包括：获取原始样本数据，将原始样本数据分成第一样本数据和第二样本数据；将第一样本数据输入到第一分类网络模型进行分类处理，以确定第一样本数据的类型；确定第一分类准确率，在第一分类准确率小于第一阈值的情况下，获取参考权重值；根据参考权重值，调整第一分类网络模型中网络层的权重值，以确定调整后的第一分类网络模型；根据第一样本数据，重新训练调整后的第一分类网络模型，直到第一分类准确率大于或等于第一阈值为止。类准确率大于或等于第一阈值为止。类准确率大于或等于第一阈值为止。
【技术实现步骤摘要】
一种分类网络模型的生成方法及装置
[0001]本公开涉及本公开涉及数据处理
，具体而言，涉及一种分类网络模型的生成方法及装置。
技术介绍
[0002]在大多数场景下，对于获取到的原始样本数据，通常需要通过分类模型对原始样本数据进行分类处理，但是对于样本失衡的场景，由于原始样本数据失衡，则采集到的原始样本数据通常较少。由于原始样本数据较少，则原始样本数据的均衡性可能较差。这样，再使用分类模型对均衡性较差的原始样本数据进行分类识别时，识别的准确率较低。
技术实现思路
[0003]本公开提供了一种分类网络模型的生成方法及装置，以解决现有的分类网络模型性能差的问题。
[0004]为达到上述目的，本公开采用如下技术方案：
[0005]第一方面，本公开提供了一种分类网络模型的生成方法，该方法包括以下步骤：分类网络模型的生成装置获取原始样本数据，将原始样本数据分成第一样本数据和第二样本数据；将第一样本数据输入到第一分类网络模型进行分类处理，以确定第一样本数据的类型；第一样本数据为全分类样本数据；确定第一分类准确率，分类准确率用于表征第一分类网络模型处理第一样本数据的准确率；在第一分类准确率小于第一阈值的情况下，获取参考权重值，参考权重值为根据第二样本数据以及第二分类网络模型确定出的，第二分类网络模型用于确定第二样本数据的类型；第二样本数据为稀疏分类样本数据；根据参考权重值，调整第一分类网络模型中网络层的权重值，以确定调整后的第一分类网络模型。
[0006]本公开提供一种分类网络模型的生成方法，针对样本失衡的场景下，对采集到的样本数据进行分类，分成第一样本数据(全分类样本数据)和第二样本数据(稀疏分类样本数据)，通过使用稀疏分类样本数据对第二分类网络模型进行训练，直至第二分类网络模型的分类结果达到预设条件，达到预设条件后，再讲第二分类网络模型对应的权重值作为校正参数来对第一分类网络模型进行校正，以使第一分类网络模型的分类结果满足预设条件，通过将数据量更低的数据(稀疏分类样本数据)训练得到的分类网络模型的权重参数作为校正系数，来提高相对数据量较多的数据(全分类样本数据)训练得到的分类网络模型，从而提高全分类样本数据训练得到第一分类网络模型的分类准确率。进一步提升在样本失衡场景下原始样本数据的分类结果。提高第一分类网络模型的性能。
[0007]第二方面，本公开提供了一种不均衡样本的分类网络模型的生成方法，方法包括：获取不均衡样本的原始数据；将原始数据输入分类网络模型，得到与原始数据对应的分类结果。
[0008]第三方面，本公开提供了一种分类网络模型生成装置，该装置包括收发模块和处理模块。具体的，收发模块，用于获取原始样本数据，将原始样本数据分成第一样本数据和
第二样本数据。处理模块，用于将第一样本数据输入到第一分类网络模型进行分类处理，以确定第一样本数据的类型；第一样本数据为全分类样本数据。处理模块，还用于确定第一分类准确率，分类准确率用于表征第一分类网络模型处理第一样本数据的准确率。处理模块，还用于在第一分类准确率小于第一阈值的情况下，获取参考权重值，参考权重值为根据第二样本数据以及第二分类网络模型确定出的，第二分类网络模型用于确定第二样本数据的类型；第二样本数据为稀疏分类样本数据。处理模块，还用于根据参考权重值，调整第一分类网络模型中网络层的权重值，以确定调整后的第一分类网络模型。处理模块，还用于根据第一样本数据，重新训练调整后的第一分类网络模型，直到第一分类准确率大于或等于第一阈值为止。
[0009]第四方面，提供一种分类网络模型生成装置，包括：处理器；用于存储该处理器可执行指令的存储器。其中，该处理器被配置为执行指令，以实现如上述第一方面或第一方面的任一种可能实现方式的分类网络模型的生成方法。
[0010]第五方面，本公开提供一种计算机可读存储介质，包括指令。当指令在计算机上运行时，使得计算机执行如上述第一方面提供的不均衡样本的分类网络模型的生成方法。
[0011]第六方面，本公开提供一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如第一方面提供的不均衡样本的分类网络模型的生成方法。
[0012]需要说明的是，上述计算机指令可以全部或者部分存储在第一计算机可读存储介质上。其中，第一计算机可读存储介质可以与接入网设备的处理器封装在一起的，也可以与接入网设备的处理器单独封装，本公开对此不作限定。
[0013]本公开中第二方面、第三方面、第四方面、第五方面以及第六方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面、第五方面以及第六方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
[0014]在本公开中，上述分类网络模型的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本公开类似，属于本公开权利要求及其等同技术的范围之内。
[0015]本公开的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
[0016]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
[0017]图1是根据本公开实施例中一种分类网络模型的生成方法的流程示意图之一；
[0018]图2是根据本公开实施例中一种分类网络模型的生成方法的流程示意图之二；
[0019]图3是根据本公开实施例中一种分类网络模型的生成方法的流程示意图之三；
[0020]图4是根据本公开实施例中一种分类网络模型生成装置的结构示意图之一；
[0021]图5是根据本公开实施例中一种分类网络模型生成装置结构示意图；
[0022]图6是根据本公开实施例提供的分类网络模型的生成方法的计算机程序产品的结构示意图。
具体实施方式
[0023]下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0024]术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0025]目前，有很多分类算法被应用，其中，贝叶斯方法用于分类难以准确地得到数据的分布概率，决策树方法用于分类需要依赖数据的特征寻找最佳属性的集合，遗传规划方法用于分类难以确定合适的适应度函数以引导分类器的进化过程。并且，目前多数分类算法将不平衡数本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种分类网络模型的生成方法，其特征在于，包括：获取原始样本数据，将所述原始样本数据分成第一样本数据和第二样本数据；将所述第一样本数据输入到第一分类网络模型进行分类处理，以确定所述第一样本数据的类型；确定第一分类准确率，所述分类准确率用于表征所述第一分类网络模型处理所述第一样本数据的准确率；在所述第一分类准确率小于第一阈值的情况下，获取参考权重值，所述参考权重值为根据所述第二样本数据以及第二分类网络模型确定出的，所述第二分类网络模型用于确定所述第二样本数据的类型；根据所述参考权重值，调整所述第一分类网络模型中网络层的权重值，以确定调整后的第一分类网络模型；根据所述第一样本数据，重新训练所述调整后的第一分类网络模型，直到第一分类准确率大于或等于所述第一阈值为止。2.根据权利要求1所述的生成方法，其特征在于，所述获取参考权重值，包括：根据第二样本数据训练第二分类网络模型，直到第二分类准确率大于或等于所述第二阈值为止；获取训练好的模型中网络层的权重值，并将所述网络层的权重值作为所述参考权重值。3.根据权利要求1所述的生成方法，其特征在于，所述确定第一分类准确率，包括：在所述第一分类准确率大于或等于第一阈值的情况下，输出所述第一分类网络模型，并获取所述第一分类网络模型中网络层的权重值。4.根据权利要求1所述的生成方法，其特征在于，所述根据所述参考权重值，调整所述第一分类网络模型中网络层的权重值，以确定调整后的第一分类网络模型，包括：根据所述参考权重值，从所述参考权重值中选取N1个权重值替换到所述第一分类网络模型中网络层的权重值，以确定调整后的第一分类网络模型，所述N1为正整数。5.根据权利要求4所述的生成方法，其特征在于，所述根据所述第一样本数据，重新训练所述调整后的第一分类网络模型，包括：在所述调整后的第一分类网络模型的第一分类准确率小于所述第一阈值时，从所述参考权重值中选取N2个权重值替换到所述第一分类网络模型中网络层的权重值，以确定再次调整后的第一分类网络模型，所述N2小于N1。6.一种不均衡样本的分类网络模型的生...
【专利技术属性】
技术研发人员：李涛，褚卫艳，付平，彭雨，王璐，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：
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。