本申请涉及机器学习模型管理方法、装置、计算机设备和存储介质。所述方法包括：对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标；获取来自于新样本的第二特征，将所述第二特征与所述第一特征进行融合，获取第二模型与所述第二模型的价值检测指标，将所述价值检测指标与预设的价值阈值进行比较，获取价值决策指标；根据所述多维决策指标与所述价值决策指标对所述第一模型进行更新，以此解决机器学习模型管理的成本高、效率低等问题。效率低等问题。效率低等问题。
【技术实现步骤摘要】
机器学习模型管理方法、装置、计算机设备和存储介质
[0001]本专利技术涉及人工智能
，特别是涉及机器学习模型管理方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着人工智能技术的快速发展，机器学习模型的应用场景也越来越丰富。然而，机器学习模型存在可解释性较差、运行质量评估较难、特征选取不合理等问题，因此需要对机器学习模型进行管理。目前，通常采用基于专家规则的人工方式对模型进行管理。然而，人工管理方法对模型进行解释时无法揭示模型预测结果和指标特征之间的关系，也无法对模型更新提供合理的判定条件，存在成本高、效率低等问题。
技术实现思路
[0003]基于此，有必要针对上述技术问题，提供机器学习模型管理方法、装置、计算机设备和存储介质,用于改善机器学习模型管理性能低的问题。
[0004]一方面，提供一种机器学习模型管理方法，所述机器学习模型管理方法包括：
[0005]对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标；
[0006]获取来自于新样本的第二特征，将所述第二特征与所述第一特征进行融合，获取第二模型与所述第二模型的价值检测指标，将所述价值检测指标与预设的价值阈值进行比较，获取价值决策指标；
[0007]根据所述多维决策指标与所述价值决策指标对所述第一模型进行更新。
[0008]在其中一个实施例中，对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标的步骤包括：
[0009]获取第一真实数据，对所述第一特征进行第一检测，统计所述第一特征在第一真实数据中的缺失值，获取第一检测指标；
[0010]对所述第一特征进行第二检测，获取所述第一特征在所述第一真实数据中的第一中位数与所述特征在训练数据中的第二中位数，根据所述第一中位数与所述第二中位数，获取第二检测指标。
[0011]在其中一个实施例中，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标的步骤包括：
[0012]判断所述第一检测指标是否大于第一阈值，若是，则获取第一正向决策指标，若否，则获取第一反向决策指标；
[0013]判断所述第二检测指标是否大于第二阈值，若是，则获取第二正向决策指标，若否，则获取第二反向决策指标。
[0014]在其中一个实施例中，对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标的步骤包括：
[0015]获取第一周期内的第一真实数据，按照所述第一真实数据对所述第一模型进行第三检测，获取所述第一模型的稳定性指标；
[0016]根据所述稳定性指标的中位数，获取第三检测指标。
[0017]在其中一个实施例中，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标的步骤包括：
[0018]判断所述第三检测指标是否大于第三阈值，若是，则获取第三正向决策指标，若否，则获取第三反向决策指标。
[0019]在其中一个实施例中，获取所述第二模型的价值检测指标，将所述价值检测指标与预设的价值阈值进行比较，获取价值决策指标的步骤包括：
[0020]获取第二周期内的第二真实数据，按照所述第二真实数据获取所述第二模型的价值检测指标；
[0021]判断所述价值检测指标是否大于所述价值阈值，若是，则获取价值正向决策指标，若否，则获取价值反向决策指标。
[0022]在其中一个实施例中，对所述第一模型进行更新的步骤包括：
[0023]将所述第一特征进行删减，获取第三特征；
[0024]将所述第二特征进行删减，获取第四特征；
[0025]将所述第三特征与所述第四特征进行融合，作为所述第一模型的特征。
[0026]另一方面，提供了一种机器学习模型管理装置，所述机器学习模型管理装置包括：
[0027]第一获取模块，用于对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标；
[0028]第二获取模块，用于获取来自于新样本的第二特征，将所述第二特征与所述第一特征进行融合，获取第二模型与所述第二模型的价值检测指标，将所述价值检测指标与预设的价值阈值进行比较，获取价值决策指标；
[0029]更新模块，用于根据所述多维决策指标与所述价值决策指标对所述第一模型进行更新。
[0030]再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0031]对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标；
[0032]获取来自于新样本的第二特征，将所述第二特征与所述第一特征进行融合，获取第二模型与所述第二模型的价值检测指标，将所述价值检测指标与预设的价值阈值进行比较，获取价值决策指标；
[0033]根据所述多维决策指标与所述价值决策指标对所述第一模型进行更新。
[0034]又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0035]对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标；
[0036]获取来自于新样本的第二特征，将所述第二特征与所述第一特征进行融合，获取第二模型与所述第二模型的价值检测指标，将所述价值检测指标与预设的价值阈值进行比
较，获取价值决策指标；
[0037]根据所述多维决策指标与所述价值决策指标对所述第一模型进行更新。
[0038]上述机器学习模型管理方法、装置、计算机设备和存储介质，通过对第一模型与第一特征进行多维检测，获取多维决策指标，并将第二特征与第一特征进行融合获取第二模型，根据多维决策指标与第二模型的价值决策指标对第一模型进行更新，以此解决机器学习模型管理的成本高、效率低等问题。
附图说明
[0039]图1为一个实施例中机器学习模型管理方法的应用环境图；
[0040]图2为一个实施例中机器学习模型管理方法的流程示意图；
[0041]图3为一个实施例中获取多维检测指标的流程示意图；
[0042]图4为一个实施例中获取多维决策指标的流程示意图；
[0043]图5为一个实施例中获取多维检测指标的流程示意图；
[0044]图6为一个实施例中获取多维决策指标的流程示意图；
[0045]图7为一个实施例中获取价值决策指标的流程示意图；
[0046]图8为一个实施例中对第一模型进行更新的流程示意图；
[0047]图9为一个实施例中机器学习模型管理装置的结构框图；
[0048]图10为一个实施例中计算机设备的内部结构图。
具体实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.机器学习模型管理方法，其特征在于，包括：对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标；获取来自于新样本的第二特征，将所述第二特征与所述第一特征进行融合，获取第二模型与所述第二模型的价值检测指标，将所述价值检测指标与预设的价值阈值进行比较，获取价值决策指标；根据所述多维决策指标与所述价值决策指标对所述第一模型进行更新。2.根据权利要求1所述的机器学习模型管理方法，其特征在于，对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标的步骤包括：获取第一真实数据，对所述第一特征进行第一检测，统计所述第一特征在第一真实数据中的缺失值，获取第一检测指标；对所述第一特征进行第二检测，获取所述第一特征在所述第一真实数据中的第一中位数与所述特征在训练数据中的第二中位数，根据所述第一中位数与所述第二中位数，获取第二检测指标。3.根据权利要求2所述的机器学习模型管理方法，其特征在于，将所述多维检测指标与预设的多维阈值进行比较，获取多维决策指标的步骤包括：判断所述第一检测指标是否大于第一阈值，若是，则获取第一正向决策指标，若否，则获取第一反向决策指标；判断所述第二检测指标是否大于第二阈值，若是，则获取第二正向决策指标，若否，则获取第二反向决策指标。4.根据权利要求1或2所述的机器学习模型管理方法，其特征在于，对第一模型与所述第一模型的第一特征进行多维检测，获取多维检测指标的步骤包括：获取第一周期内的第一真实数据，按照所述第一真实数据对所述第一模型进行第三检测，获取所述第一模型的稳定性指标；根据所述稳定性指标的中位数，获取第三检测指标。5.根据权利要求4所述的机器学习模型管理方法，其特征在于，将所述多维检测指标与预设的多维阈值进行...
【专利技术属性】
技术研发人员：阮鹤樵，侯亦杨，郑清正，
申请(专利权)人：南京星云数字技术有限公司，
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。