本申请提供了一种对象分类方法、装置、电子设备及存储介质，属于大数据技术领域。本申请中，获取对象对应的特征数据；利用自编码器对所述特征数据进行降维处理，得到第一处理数据，将所述第一处理数据作为目标数据；将所述目标数据分别输入至多个第一分类模型，以使多个所述第一分类模型输出第一预测分数，其中，多个所述第一分类模型是预先利用基于所述自编码器降维处理得到的目标样本特征训练得到的；将所述第一预测分数输入至第二分类模型中，得到第二预测分数，将所述第一预测分数输入至第二分类模型中，得到第二预测分数；基于所述第二预测分数确定所述对象所属的目标分类。从而可以提高分类效果。从而可以提高分类效果。从而可以提高分类效果。
【技术实现步骤摘要】
一种对象分类方法、装置、电子设备及存储介质
[0001]本申请涉及大数据
，尤其涉及一种对象分类方法、装置、电子设备及存储介质。
技术介绍
[0002]目前常用的分类方法，主要是使用树方法和逻辑回归等比较简单的机器学习算法进行建模。建模中通常是根据IV值(Information Value)对输入变量进行编码和预测能力评估，或者，是根据输入变量的重要性，在全部变量中筛选出来一小部分变量进行建模。然而，利用这种方式建模，变量信息损失较多，因此，利用目前的分类方法对用户进行分类，难以保证分类效果。
技术实现思路
[0003]本申请实施例的目的在于提供一种对象分类方法、装置、电子设备及存储介质，以解决利用目前的分类方法对用户进行分类，难以保证分类效果的问题。具体技术方案如下：
[0004]第一方面，提供了一种对象分类方法，所述方法包括：
[0005]获取对象对应的特征数据；
[0006]利用自编码器对所述特征数据进行降维处理，得到第一处理数据，将所述第一处理数据作为目标数据；
[0007]将所述目标数据分别输入至多个第一分类模型，以使多个所述第一分类模型输出第一预测分数，其中，多个所述第一分类模型是预先利用基于所述自编码器降维处理得到的目标样本特征训练得到的；
[0008]将所述第一预测分数输入至第二分类模型中，得到第二预测分数，将所述第一预测分数输入至第二分类模型中，得到第二预测分数，其中，所述第二分类模型是预先利用所述目标样本特征训练得到的；
[0009]基于所述第二预测分数确定所述对象所属的目标分类。
[0010]在一个可能的实施方式中，多个所述第一分类模型包括：全连接神经网络模型、决策树模型和逻辑回归模型，
[0011]所述将所述目标数据分别输入至多个第一分类模型，以使多个所述第一分类模型输出第一预测分数，包括：
[0012]将所述目标数据输入至所述全连接神经网络模型，以使所述全连接神经网络模型输出对应的第一子分数；
[0013]将所述目标数据输入至所述决策树模型，以使所述决策树模型输出对应的第二子分数；
[0014]将所述目标数据输入至所述逻辑回归模型，以使所述逻辑回归模型输出对应的第三子分数；
[0015]将所述第一子分数、所述第二子分数及所述第三子分数确定为所述第一预测分
数。
[0016]在一个可能的实施方式中，多个所述第一分类模型还包括：循环神经网络模型，所述方法还包括：
[0017]将所述目标数据输入至所述循环神经网络模型，以使所述循环神经网络模型输出对应的第四子分数；
[0018]将所述第一子分数、所述第二子分数、所述第三子分数及所述第四子分数，确定为所述第一预测分数。
[0019]在一个可能的实施方式中，所述基于所述第二预测分数确定所述对象所属的目标分类，包括：
[0020]按照预设的分数与分类的对应关系，确定所述第二预测分数对应的分类，将所述分类确定为所述对象所属的目标分类。
[0021]在一个可能的实施方式中，所述方法还包括：
[0022]获取样本对应的样本特征；
[0023]利用所述自编码器对所述样本特征进行降维处理，得到所述目标样本特征；
[0024]针对任一所述第一分类模型，对所述第一分类模型进行参数调整；
[0025]利用所述目标样本特征训练进行参数调整后的所述第一分类模型，直至所述第一分类模型收敛。
[0026]在一个可能的实施方式中，所述第一分类模型包括：全连接神经网络模型，
[0027]所述对所述第一分类模型进行参数调整，包括：
[0028]获取所述全连接神经网络模型对应的多个第一参数组合，每个所述第一参数组合中包括激活函数、优化器、神经网络的层数及每一层神经网络的神经元的数量；
[0029]针对任一所述第一参数组合，按照所述第一参数组合设置所述全连接神经网络模型中对应的参数，得到参数不同的多个候选模型；
[0030]针对任一所述候选模型，将所述目标样本特征输入至所述候选模型，以使所述候选模型输出样本结果数据，确定所述样本结果数据的准确率；
[0031]将准确率最高的样本结果数据对应的第一参数组合确定为目标参数组合，利用所述目标参数组合调整所述全连接神经网络模型中对应的参数。
[0032]在一个可能的实施方式中，多个所述第一分类模型包括：决策树模型，
[0033]所述对所述第一分类模型进行参数调整，包括：
[0034]利用随机搜索工具包确定所述决策树模型对应的第二参数组合，利用所述第二参数组合调整所述决策树模型中对应的参数。
[0035]第二方面，提供了一种对象分类装置，所述装置包括：
[0036]获取模块，用于获取对象对应的特征数据；
[0037]处理模块，用于利用自编码器对所述特征数据进行降维处理，得到第一处理数据，将所述第一处理数据作为目标数据；
[0038]第一输入模块，用于将所述目标数据分别输入至多个第一分类模型，以使多个所述第一分类模型输出第一预测分数，其中，多个所述第一分类模型是预先利用基于所述自编码器降维处理得到的目标样本特征训练得到的；
[0039]第二输入模块，用于将所述第一预测分数输入至第二分类模型中，得到第二预测
分数，将所述第一预测分数输入至第二分类模型中，得到第二预测分数，其中，所述第二分类模型是预先利用所述目标样本特征训练得到的；
[0040]确定模块，用于基于所述第二预测分数确定所述对象所属的目标分类。
[0041]在一个可能的实施方式中，多个所述第一分类模型包括：全连接神经网络模型、决策树模型和逻辑回归模型，
[0042]所述第一输入模块，具体用于：
[0043]将所述目标数据输入至所述全连接神经网络模型，以使所述全连接神经网络模型输出对应的第一子分数；
[0044]将所述目标数据输入至所述决策树模型，以使所述决策树模型输出对应的第二子分数；
[0045]将所述目标数据输入至所述逻辑回归模型，以使所述逻辑回归模型输出对应的第三子分数；
[0046]将所述第一子分数、所述第二子分数及所述第三子分数确定为所述第一预测分数。
[0047]在一个可能的实施方式中，多个所述第一分类模型还包括：循环神经网络模型，所述第一输入模块，还用于：
[0048]将所述目标数据输入至所述循环神经网络模型，以使所述循环神经网络模型输出对应的第四子分数；
[0049]将所述第一子分数、所述第二子分数、所述第三子分数及所述第四子分数，确定为所述第一预测分数。
[0050]在一个可能的实施方式中，所述确定模块，具体用于：
[0051]按照预设的分数与分类的对应关系，确定所述第二预测分数对应的分类，将所述分类确定为所述对象所属的目标分类。
[0052]在一个可能的实施方式中，所述装置还包括训本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种对象分类方法，其特征在于，所述方法包括：获取对象对应的特征数据；利用自编码器对所述特征数据进行降维处理，得到第一处理数据，将所述第一处理数据作为目标数据；将所述目标数据分别输入至多个第一分类模型，以使多个所述第一分类模型输出第一预测分数，其中，多个所述第一分类模型是预先利用基于所述自编码器降维处理得到的目标样本特征训练得到的；将所述第一预测分数输入至第二分类模型中，得到第二预测分数，将所述第一预测分数输入至第二分类模型中，得到第二预测分数，其中，所述第二分类模型是预先利用所述目标样本特征训练得到的；基于所述第二预测分数确定所述对象所属的目标分类。2.根据权利要求1所述的方法，其特征在于，多个所述第一分类模型包括：全连接神经网络模型、决策树模型和逻辑回归模型，所述将所述目标数据分别输入至多个第一分类模型，以使多个所述第一分类模型输出第一预测分数，包括：将所述目标数据输入至所述全连接神经网络模型，以使所述全连接神经网络模型输出对应的第一子分数；将所述目标数据输入至所述决策树模型，以使所述决策树模型输出对应的第二子分数；将所述目标数据输入至所述逻辑回归模型，以使所述逻辑回归模型输出对应的第三子分数；将所述第一子分数、所述第二子分数及所述第三子分数确定为所述第一预测分数。3.根据权利要求2所述的方法，其特征在于，多个所述第一分类模型还包括：循环神经网络模型，所述方法还包括：将所述目标数据输入至所述循环神经网络模型，以使所述循环神经网络模型输出对应的第四子分数；将所述第一子分数、所述第二子分数、所述第三子分数及所述第四子分数，确定为所述第一预测分数。4.根据权利要求1所述的方法，其特征在于，所述基于所述第二预测分数确定所述对象所属的目标分类，包括：按照预设的分数与分类的对应关系，确定所述第二预测分数对应的分类，将所述分类确定为所述对象所属的目标分类。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取样本对应的样本特征；利用所述自编码器对所述样本特征进行降维处理，得到所述目标样本特征；针对任一所述第一分类模型，对所述第一分类模型进行参数调整；利用所述目标样本特征训练进行参数调整后的所述第一分类模型，直至所述第一分类模型收敛。6.根据权利要求5所述的方法，其特征在于，所述第一...
【专利技术属性】
技术研发人员：张雯倩，刘慈文，苏小进，李晓晓，
申请(专利权)人：上海晓途网络科技有限公司，
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。