超参数处理方法、装置、电子设备及计算机存储介质制造方法及图纸

本申请实施例提供了一种超参数处理方法、装置、电子设备及计算机存储介质。该超参数处理方法包括：根据目标机器学习模型包含的超参数，获得多个用于指示所述超参数取值的超参数取值组；分别计算各所述超参数取值组与所述目标机器学习模型的适应度；按照所述适应度，从所述多个超参数取值组中选取出至少一对源超参数取值组，并对各对所述源超参数取值组中的超参数取值进行交叉处理；从交叉处理获得的多组新的超参数取值组中，确定所述目标机器学习模型的超参数的取值。该方法可以自动确定目标机器学习模型的超参数。机器学习模型的超参数。机器学习模型的超参数。

【技术实现步骤摘要】
超参数处理方法、装置、电子设备及计算机存储介质


[0001]本申请实施例涉及计算机
，尤其涉及一种超参数处理方法、装置、电子设备及计算机存储介质。

技术介绍

[0002]在机器学习模型中包含许多需要人为进行调整的超参数。超参数是在开始机器学习模型的训练过程之前需要设置的参数，而不是通过训练过程可以学习得到的参数。通常情况下，超参数的好坏对机器学习模型的学习效果有着较大的影响，而机器学习模型的超参数都是人工手动设置和调优的，导致机器学习模型的超参数调优占用了较多的人工和精力，且影响了机器学习模型的迭代效率。

技术实现思路

[0003]有鉴于此，本申请实施例提供一种超参数处理方案，以至少部分解决上述问题。
[0004]根据本申请实施例的第一方面，提供了一种超参数处理方法，包括：根据目标机器学习模型包含的超参数，获得多个用于指示所述超参数取值的超参数取值组；分别计算各所述超参数取值组与所述目标机器学习模型的适应度；按照所述适应度，从所述多个超参数取值组中选取出至少一对源超参数取值组，并对各对所述源超参数取值组中的超参数取值进行交叉处理；从交叉处理获得的多组新的超参数取值组中，确定所述目标机器学习模型的超参数的取值。
[0005]根据本申请实施例的第二方面，提供了一种风险识别方法，所述方法使用用于估计风险概率的目标机器学习模型，所述目标机器学习模型的超参数通过上述的方法确定，所述目标机器学习模型包括至少两个基模型和至少一个次级模型；所述方法包括：获取目标对象的特征数据，所述特征数据至少包括行为数据和订单数据；将所述特征数据分别输入所述基模型中，并获取所述基模型输出的行为属性数据和订单属性数据，各所述基模型中输入所述特征数据的部分或全部；将各所述基模型输出的行为属性数据和订单属性数据，输入所述次级模型中，以获得所述次级模型输出的所述目标对象的风险概率。
[0006]根据本申请实施例的第三方面，提供了一种超参数处理装置，包括：获取模块，用于根据目标机器学习模型包含的超参数，获得多个用于指示所述超参数取值的超参数取值组；计算模块，用于分别计算各所述超参数取值组与所述目标机器学习模型的适应度；交叉模块，用于按照所述适应度，从所述多个超参数取值组中选取出至少一对源超参数取值组，并对各对所述源超参数取值组中的超参数取值进行交叉处理；第一确定模块，用于从交叉处理获得的多组新的超参数取值组中，确定所述目标机器学习模型的超参数的取值。
[0007]根据本申请实施例的第四方面，提供了一种风险识别装置，所述装置使用用于估计风险概率的目标机器学习模型，所述目标机器学习模型的超参数通过上述的装置确定，所述目标机器学习模型包括至少两个基模型和至少一个次级模型；所述装置包括：第二获取模块，用于获取目标对象的特征数据，所述特征数据至少包括行为数据和订单数据；第三
获取模块，用于将所述特征数据分别输入所述基模型中，并获取所述基模型输出的行为属性数据和订单属性数据，各所述基模型中输入所述特征数据的部分或全部；第四获取模块，用于将各所述基模型输出的行为属性数据和订单属性数据，输入所述次级模型中，以获得所述次级模型输出的所述目标对象的风险概率。
[0008]根据本申请实施例的第五方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面或第二方面所述的方法对应的操作。
[0009]根据本申请实施例的第六方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面所述的方法。
[0010]根据本申请实施例提供的超参数处理方案，针对目标机器学习模型包含的超参数，获得多个超参数取值组，并分别计算各超参数取值组合目标机器学习模型的适应度，以便根据适应度从多个超参数取值组中选取适应度较高的多个超参数取值组形成至少一对源超参数取值组，并通过对一对源超参数取值组进行交叉处理使其能够生成新的超参数取值组，由于交叉处理出的新的超参数取值组携带了源超参数取值组的部分基因(即部分超参数的取值)，因此使得该新的超参数取值组与目标机器学习模型的适应度容易提升，从而可以自动获得目标机器学习模型的超参数的取值。
附图说明
[0011]为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0012]图1A为根据本申请实施例一的一种超参数处理方法的步骤流程图；
[0013]图1B为图1A所示实施例中的一种场景示例的种群的示意图；
[0014]图2A为根据本申请实施例二的一种超参数处理方法的步骤流程图；
[0015]图2B为图2A所示实施例中的一种stacking模型的训练的示意图；
[0016]图2C为图2A所示实施例中的种群进化的示意图；
[0017]图3A为根据本申请实施例三的一种风险识别方法的步骤流程示意图；
[0018]图3B为根据本申请实施例三的一种网约车平台的结构示意图；
[0019]图4为根据本申请实施例四的一种超参数处理装置的结构框图；
[0020]图5为根据本申请实施例五的一种风险识别装置的结构框图；
[0021]图6为根据本申请实施例六的一种电子设备的结构示意图。
具体实施方式
[0022]为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
[0023]下面结合本申请实施例附图进一步说明本申请实施例具体实现。
[0024]实施例一
[0025]参照图1A，示出了本申请的实施例一的超参数处理方法的步骤流程示意图。
[0026]在本实施例中，该方法用于自动对目标机器学习模型中的超参数进行调优，以使调优后的目标机器学习模型的使用效果更好。在本实施例中，该方法包括以下步骤：
[0027]S102：根据目标机器学习模型包含的超参数，获得多个用于指示所述超参数取值的超参数取值组。
[0028]例如，目标机器学习模型包括3个超参数，分别记作超参数A、B、C，则各超参数取值组中分别包括超参数A、B和C的取值。类似地，若目标机器学习模型包括N个超参数，则对应的一个超参数取值组中包括N个超参数对应的取值，N大于或等于1。
[0029]为了便于描述，一个超参数取值组可以记作一个染色体，该染色体中包括N个基因，N的取值即为目标机器学习模型中的超参数的个数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超参数处理方法，包括：根据目标机器学习模型包含的超参数，获得多个用于指示所述超参数取值的超参数取值组；分别计算各所述超参数取值组与所述目标机器学习模型的适应度；按照所述适应度，从所述多个超参数取值组中选取出至少一对源超参数取值组，并对各对所述源超参数取值组中的超参数取值进行交叉处理；从交叉处理获得的多组新的超参数取值组中，确定所述目标机器学习模型的超参数的取值。2.根据权利要求1所述的方法，其中，所述分别计算各所述超参数取值组与所述目标机器学习模型的适应度，包括：确定用于计算适应度的目标函数；根据所述目标函数，分别计算各所述超参数取值组相对所述目标机器学习模型的适应度。3.根据权利要求1所述的方法，其中，所述按照所述适应度，从所述多个超参数取值组中选取出至少一对源超参数取值组，并对各对所述源超参数取值组中的超参数取值进行交叉处理，包括：根据各所述超参数取值组的适应度，确定各所述超参数取值组对应的选取概率，所述选取概率与所述适应度正相关；按照所述选取概率，从所述多个超参数取值组中选取出多对源超参数取值组。4.根据权利要求3所述的方法，其中，一对所述源超参数取值组包括两个所述超参数取值组，所述对各对所述源超参数取值组中的超参数取值进行交叉处理，包括：按照设定的拆分规则，将源超参数取值组拆分为至少两个片段；将不同的源超参数取值组中的片段进行拼接，以获得一对拼接的超参数取值组。5.根据权利要求4所述的方法，其中，所述对各对所述源超参数取值组中的超参数取值进行交叉处理，还包括：获取设定的变异概率，并根据所述变异概率确定是否对所述拼接的超参数取值组进行变异；若确定进行变异，则对所述拼接的超参数取值组中的至少一个取值进行调整，并以调整后的超参数取值组作为新的超参数取值组。6.根据权利要求5所述的方法，其中，所述对各对所述源超参数取值组中的超参数取值进行交叉处理，还包括：若确定不进行变异，则以所述拼接的超参数取值组作为新的超参数取值组。7.根据权利要求1
‑
6中任一项所述的方法，其中，所述从交叉处理获得的多组新的超参数取值组中，确定所述目标机器学习模型的超参数的取值，包括：分别计算交叉处理获得的多组新的超参数取值组与所述目标机器学习模型的适应度；若所述新的超参数取值组的适应度满足设定的终止条件，则根据所述适应度从所述新的超参数取值组中确定所述目标机器学习模型的超参数的取值；或者，若所述新的超参数取值组的适应度未满足设定的终止条件，则返回按照所述适应度，从所述多个超参数取值组中选取出至少一对源超参数取值组继续执行。
8.一种风险识别方...

【专利技术属性】
技术研发人员：李晓媛，徐慎昆，冀晨光，
申请(专利权)人：阿里巴巴新加坡控股有限公司，
类型：发明
国别省市：