本公开提供了一种用于模型优化的方法、装置以及存储介质，其中的方法包括：在模型运行环境中添加建立目标模型所需的第一机器学习算法组件；基于第一机器学习算法组件建立与目标模型相对应的第一模型流程图；利用预设的元学习算法获取用于与第一机器学习算法组件进行比对的至少一个第二机器学习算法组件；使用预设的比对规则，对第一机器学习算法组件与第二机器学习算法组件进行比对处理；基于比对结果对目标模型进行优化处理。本公开的方法、装置以及存储介质，能够基于元学习自动增加机器学习算法组件，进行机器学习算法对比实验，可以让开发人员在不进行编码的情况下进行机器学习的开发和训练，可以显著加快模型开发效率。率。率。
【技术实现步骤摘要】
用于模型优化的方法、装置以及存储介质
[0001]本专利技术涉及计算机
，尤其涉及一种用于模型优化的方法、装置以及存储介质。
技术介绍
[0002]机器学习平台创建模型项目时需要先创建实验，然后依据实验的需求从组件栏中拖拽组件该实验中，接着对组件进行连线和参数配置后，运行该实验。在科研及日常数据分析中，需要大量进行机器学习算法对比实验，用于对模型进行优化。目前，如果需要进行机器学习算法对比，则需要独立进行编码，过程非常繁琐及耗时，需要数据分析师及工程师投入大量的时间。因此，需要一种用于模型优化的技术方案。
技术实现思路
[0003]有鉴于此，本专利技术要解决的一个技术问题是提供一种用于模型优化的方法、装置以及存储介质。
[0004]根据本公开的一个方面，提供一种用于模型优化的方法，包括：设置模型运行环境，在所述模型运行环境中添加建立目标模型所需的第一机器学习算法组件；基于所述第一机器学习算法组件建立与所述目标模型相对应的第一模型流程图；利用预设的元学习算法获取用于与所述第一机器学习算法组件进行比对的至少一个第二机器学习算法组件；使用预设的比对规则，对所述第一机器学习算法组件与所述第二机器学习算法组件进行比对处理；基于比对结果对所述目标模型进行优化处理。
[0005]可选地，所述使用预设的比对规则，对所述第一机器学习算法组件与所述第二机器学习算法组件进行比对处理包括：在所述模型运行环境中添加所述第二机器学习算法组件；增加与所述第二机器学习算法组件相对应的模型流程分支，基于所述模型流程分支建立与所述目标模型相对应的第二模型流程图；基于所述第一模型流程图、所述第二模型流程图分别进行模型流程运行；获取所述第一机器学习算法组件和所述第二机器学习算法组件的输出结果并进行比对。
[0006]可选地，所述基于比对结果对所述目标模型进行优化处理包括：获取所述输出结果的准确率，根据所述准确率从所述第一机器学习算法组件和所述第二机器学习算法组件中选取至少一个目标机器学习算法组件；基于所述目标机器学习算法组件对所述目标模型进行优化处理。
[0007]可选地，所述根据所述准确率从所述第一机器学习算法组件和所述第二机器学习算法组件中选取至少一个目标机器学习算法组件包括：将与最高准确率相对应的所述第一机器学习算法组件或所述第二机器学习算法组件作为所述目标机器学习算法组件。
[0008]可选地，所述基于所述目标机器学习算法组件对所述目标模型进行优化处理包括：如果所述目标机器学习算法组件的数量为多个，则集成多个所述目标机器学习算法组件，融合成新的目标模型。
[0009]可选地，所述利用预设的元学习算法获取用于与所述第一机器学习算法组件进行比对的至少一个第二机器学习算法组件包括：设置数据集，计算所述数据集的元特征；基于性能数据设置所述数据集与相匹配的机器学习算法组件的对应关系；使用所述元学习算法，根据所述元特征、所述对应关系获取所述第二机器学习算法组件。
[0010]可选地，所述根据所述元特征、所述对应关系获取所述第二机器学习算法组件包括：获取与所述第一机器学习算法组件相对应的应用数据集；计算与所述应用数据集相对应的元特征，基于此元特征确定与所述应用数据集最接近的至少一个所述数据集，作为目标数据集；根据所述对应关系，将与所述目标数据集相对应的机器学习算法组件作为所述第二机器学习算法组件。
[0011]根据本公开的另一方面，提供一种用于模型优化的装置，包括：算法组件处理模块，用于设置模型运行环境，在所述模型运行环境中添加建立目标模型所需的第一机器学习算法组件；模型流程建立模块，用于基于所述第一机器学习算法组件建立与所述目标模型相对应的第一模型流程图；比对算法获取模块，用于利用预设的元学习算法获取用于与所述第一机器学习算法组件进行比对的至少一个第二机器学习算法组件；算法比对处理模块，用于使用预设的比对规则，对所述第一机器学习算法组件与所述第二机器学习算法组件进行比对处理；模型优化模块，用于基于比对结果对所述目标模型进行优化处理。
[0012]可选地，所述算法比对处理模块，包括：分支建立单元，用于在所述模型运行环境中添加所述第二机器学习算法组件；增加与所述第二机器学习算法组件相对应的模型流程分支，基于所述模型流程分支建立与所述目标模型相对应的第二模型流程图；流程运行单元，用于基于所述第一模型流程图、所述第二模型流程图分别进行模型流程运行；算法比对单元，用于获取所述第一机器学习算法组件和所述第二机器学习算法组件的输出结果并进行比对。
[0013]可选地，所述模型优化模块，用于获取所述输出结果的准确率，根据所述准确率从所述第一机器学习算法组件和所述第二机器学习算法组件中选取至少一个目标机器学习算法组件；基于所述目标机器学习算法组件对所述目标模型进行优化处理。
[0014]可选地，所述模型优化模块，具体用于将与最高准确率相对应的所述第一机器学习算法组件或所述第二机器学习算法组件作为所述目标机器学习算法组件。
[0015]可选地，所述模型优化模块，还用于如果所述目标机器学习算法组件的数量为多个，则集成多个所述目标机器学习算法组件，融合成新的目标模型。
[0016]可选地，所述比对算法获取模块，包括：数据集预设单元，用于设置数据集，计算所述数据集的元特征；基于性能数据设置所述数据集与相匹配的机器学习算法组件的对应关系；算法确定单元，用于使用所述元学习算法，根据所述元特征、所述对应关系获取所述第二机器学习算法组件。
[0017]可选地，所述算法确定单元，用于获取与所述第一机器学习算法组件相对应的应用数据集；计算与所述应用数据集相对应的元特征，基于此元特征确定与所述应用数据集最接近的至少一个所述数据集，作为目标数据集；根据所述对应关系，将与所述目标数据集相对应的机器学习算法组件作为所述第二机器学习算法组件。
[0018]根据本公开的又一方面，提供用于模型优化的装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述
的方法。
[0019]根据本公开的再一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上所述的方法。
[0020]本公开的用于模型优化的方法、装置以及存储介质，能够基于元学习自动增加机器学习算法组件，进行机器学习算法对比实验，能够快速、方便地完成两个及多个机器学习算法的对比实验，进行模型优化；支持多种机器学习算法进行对比实验，能够实现高质量的机器学习建模，可以让开发人员在不进行编码的情况下进行机器学习的开发和训练，可以显著加快模型开发效率。
附图说明
[0021]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于模型优化的方法，包括：设置模型运行环境，在所述模型运行环境中添加建立目标模型所需的第一机器学习算法组件；基于所述第一机器学习算法组件建立与所述目标模型相对应的第一模型流程图；利用预设的元学习算法获取用于与所述第一机器学习算法组件进行比对的至少一个第二机器学习算法组件；使用预设的比对规则，对所述第一机器学习算法组件与所述第二机器学习算法组件进行比对处理；基于比对结果对所述目标模型进行优化处理。2.如权利要求1所述的方法，所述使用预设的比对规则，对所述第一机器学习算法组件与所述第二机器学习算法组件进行比对处理包括：在所述模型运行环境中添加所述第二机器学习算法组件；增加与所述第二机器学习算法组件相对应的模型流程分支，基于所述模型流程分支建立与所述目标模型相对应的第二模型流程图；基于所述第一模型流程图、所述第二模型流程图分别进行模型流程运行；获取所述第一机器学习算法组件和所述第二机器学习算法组件的输出结果并进行比对。3.如权利要求2所述的方法，所述基于比对结果对所述目标模型进行优化处理包括：获取所述输出结果的准确率，根据所述准确率从所述第一机器学习算法组件和所述第二机器学习算法组件中选取至少一个目标机器学习算法组件；基于所述目标机器学习算法组件对所述目标模型进行优化处理。4.如权利要求3所述的方法，所述根据所述准确率从所述第一机器学习算法组件和所述第二机器学习算法组件中选取至少一个目标机器学习算法组件包括：将与最高准确率相对应的所述第一机器学习算法组件或所述第二机器学习算法组件作为所述目标机器学习算法组件。5.如权利要求3所述的方法，所述基于所述目标机器学习算法组件对所述目标模型进行优化处理包括：如果所述目标机器学习算法组件的数量为多个，则集成多个所述目标机器学习算法组件，融合成新的目标模型。6.如权利要求1所述的方法，所述利用预设的元学习算法获取用于与所述第一机器学习算法组件进行比对的至少一个第二机器学习算法组件包括：设置数据集，计算所述数据集的元特征；基于性能数据设置所述数据集与相匹配的机器学习算法组件的对应关系；使用所述元学习算法，根据所述元特征、所述对应关系获取所述第二机器学习算法组件。7.如权利要求6所述的方法，所述根据所述元特征、所述对应关系获取所述第二机器学习算法组件包括：获取与所述第一机器学习算法组件相对应的应用数据集；计算与所述应用数据集相对应的元特征，基于此元特征确定与所述应用数据集最接近
的至少一个所述数据集，作为目标数据集；根据所述对应关系，将与所述目标数据集相对应的机器学习算法组件作为所述第二机器学习算法组件。8.一种用于模型优化的装置，包括：算法组件处理模块，用于设置模型运行环境，在所述模型运行环境中添加建立目标模型...
【专利技术属性】
技术研发人员：赵龙刚，云亮，孙佩霞，李伟，张伟，石晓东，张小平，
申请(专利权)人：中国电信股份有限公司，
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。