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：