异常样本检测方法和装置、电子设备、存储介质制造方法及图纸

本申请实施例提供一种异常样本检测方法和装置、电子设备、存储介质，属于人工智能技术领域，所述异常样本检测方法包括：确定预测时间；根据预测时间获取训练样本集和预测样本集；获取初始回归模型，根据训练样本集对初始回归模型进行模型训练，得到目标回归模型和训练样本集对应的第一佣金预测值；将预测样本集输入至目标回归模型，根据目标回归模型对预测样本集进行预测，得到第二佣金预测值；根据第一佣金预测值和第二佣金预测值确定目标异常样本输出阈值；根据目标异常样本输出阈值从预测样本集中筛选出目标异常样本。本申请实施例提供的异常样本检测方法能够生成大量的异常样本数据，解决了异常样本数据占比少或者缺失的问题。的问题。的问题。

【技术实现步骤摘要】
异常样本检测方法和装置、电子设备、存储介质


[0001]本申请涉及人工智能
，尤其涉及一种异常样本检测方法和装置、电子设备、存储介质。

技术介绍

[0002]相关技术中，根据分类模型进行异常样本数据的检测，但是由于异常属于小概率事件，导致异常样本数据占比少，甚至异常样本数据缺失，无法提供异常样本数据用于分类模型的训练。

技术实现思路

[0003]本申请实施例的主要目的在于提出一种异常样本检测方法和装置、电子设备、存储介质，能够自动生成大量的异常样本数据，解决了异常样本数据占比少或者缺失的问题。
[0004]为实现上述目的，本申请实施例的第一方面提出了一种异常样本检测方法，所述方法包括：
[0005]确定预测时间；
[0006]根据所述预测时间获取训练样本集和预测样本集；
[0007]获取初始回归模型，根据所述训练样本集对所述初始回归模型进行模型训练，得到目标回归模型和所述训练样本集对应的第一佣金预测值；
[0008]将所述预测样本集输入至所述目标回归模型，根据所述目标回归模型对所述预测样本集进行预测，得到第二佣金预测值；
[0009]根据所述第一佣金预测值和所述第二佣金预测值确定目标异常样本输出阈值；
[0010]根据所述目标异常样本输出阈值从所述预测样本集中筛选出目标异常样本。
[0011]在一些实施例，所述根据所述第一佣金预测值和所述第二佣金预测值确定目标异常样本输出阈值，包括：
[0012]获取所述训练样本集的第一佣金试算值；
[0013]根据所述第一佣金试算值和所述第一佣金预测值得到第一偏差；
[0014]获取所述预测样本集的第二佣金试算值；
[0015]根据所述第二佣金试算值和所述第二佣金预测值得到第二偏差；
[0016]根据所述第一偏差和所述第二偏差确定目标异常样本输出阈值。
[0017]在一些实施例，所述根据所述第一偏差和所述第二偏差确定目标异常样本输出阈值，包括：
[0018]计算所述训练样本集的所述第一偏差的第一均值和第一标准差；
[0019]根据所述第一均值和第一标准差确定第一异常样本输出阈值；
[0020]计算所述预测样本集的所述第二偏差的第二均值和第二标准差；
[0021]根据所述第二均值和所述第二标准差确定第二异常样本输出阈值；
[0022]根据所述第一异常样本输出阈值和所述第二异常样本输出阈值确定目标异常样
本输出阈值。
[0023]在一些实施例，所述根据所述第一异常样本输出阈值和所述第二异常样本输出阈值确定目标异常样本输出阈值，包括：
[0024]若所述第一异常样本输出阈值小于所述第二异常样本输出阈值，将所述第一异常样本输出阈值作为所述目标异常样本输出阈值。
[0025]在一些实施例，所述根据所述第一偏差和所述第二偏差确定目标异常样本输出阈值，包括：
[0026]获取所述训练样本集的第一置信度；
[0027]根据所述第一偏差和所述第一置信度确定第一异常样本输出阈值；
[0028]获取所述预测样本集的第二置信度；
[0029]根据所述第二偏差和所述第二置信度确定第二异常样本输出阈值；
[0030]根据所述第一异常样本输出阈值和所述第二异常样本输出阈值确定目标异常样本输出阈值。
[0031]在一些实施例，所述根据所述异常样本输出阈值从所述预测样本集中筛选出目标异常样本，包括：
[0032]从所述预测样本集中筛选出第二偏差大于或者等于所述目标异常样本输出阈值的样本，得到初始异常样本；
[0033]获取预设的样本数量阈值；
[0034]根据所述样本数量阈值从所述初始异常样本中筛选出目标异常样本。
[0035]在一些实施例，所述根据所述样本数量阈值从所述初始异常样本中筛选出目标异常样本，包括：
[0036]若所述初始异常样本的样本数量小于或者等于所述样本数量阈值，则将所述初始异常样本作为所述目标异常样本；
[0037]若所述初始异常样本的样本数量大于所述样本数量阈值，则从所述初始异常样本中随机选取与所述样本数量阈值相等数量的样本，得到所述目标异常样本。
[0038]本申请实施例的第二方面提出了一种异常样本检测装置，所述装置包括：
[0039]第一获取模块，用于确定预测时间；
[0040]第二获取模块，用于根据所述预测时间获取训练样本集和预测样本集；
[0041]模型训练模块，用于获取初始回归模型，根据所述训练样本集对所述初始回归模型进行模型训练，得到目标回归模型和所述训练样本集对应的第一佣金预测值；
[0042]模型预测模块，用于将所述预测样本集输入至所述目标回归模型，根据所述目标回归模型对所述预测样本集的佣金进行预测，得到第二佣金预测值；
[0043]阈值计算模块，用于根据所述第一佣金预测值和所述第二佣金预测值确定目标异常样本输出阈值；
[0044]异常样本检测模块，用于根据所述目标异常样本输出阈值从所述预测样本集中筛选出目标异常样本。
[0045]本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的异常样本检测方法。
[0046]本申请实施例的第四方面提出了一种存储介质，该存储介质为计算机可读存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本申请第一方面实施例任一项所述的异常样本检测方法。
[0047]本申请实施例提出的异常样本检测方法和装置、电子设备、存储介质，通过确定预测时间，根据预测时间获取训练样本集和预测样本集，获取初始回归模型，根据训练样本集对初始回归模型进行模型训练，得到目标回归模型和训练样本集对应的第一佣金预测值，将预测样本集输入至目标回归模型，根据目标回归模型对预测样本集进行预测，得到第二佣金预测值，根据第一佣金预测值和第二佣金预测值确定目标异常样本输出阈值，根据目标异常样本输出阈值从预测样本集中筛选出目标异常样本，能够生成大量的异常样本数据，解决了异常样本数据占比少或者缺失的问题。
附图说明
[0048]图1是本申请实施例提供的异常样本检测方法的第一流程图；
[0049]图2是图1中的步骤S150的流程图；
[0050]图3是图2中的步骤S250的第一流程图；
[0051]图4是图2中的步骤S250的第二流程图；
[0052]图5是图1中的步骤S160的流程图；
[0053]图6是图5中的步骤S530的流程图；
[0054]图7为本申请实施例提供的异常样本检测装置的模块结构框图；
[0055]图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
[0056]为了使本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.异常样本检测方法，其特征在于，所述方法包括：确定预测时间；根据所述预测时间获取训练样本集和预测样本集；获取初始回归模型，根据所述训练样本集对所述初始回归模型进行模型训练，得到目标回归模型和所述训练样本集对应的第一佣金预测值；将所述预测样本集输入至所述目标回归模型，根据所述目标回归模型对所述预测样本集进行预测，得到第二佣金预测值；根据所述第一佣金预测值和所述第二佣金预测值确定目标异常样本输出阈值；根据所述目标异常样本输出阈值从所述预测样本集中筛选出目标异常样本。2.根据权利要求1所述的异常样本检测方法，其特征在于，所述根据所述第一佣金预测值和所述第二佣金预测值确定目标异常样本输出阈值，包括：获取所述训练样本集的第一佣金试算值；根据所述第一佣金试算值和所述第一佣金预测值得到第一偏差；获取所述预测样本集的第二佣金试算值；根据所述第二佣金试算值和所述第二佣金预测值得到第二偏差；根据所述第一偏差和所述第二偏差确定目标异常样本输出阈值。3.根据权利要求2所述的异常样本检测方法，其特征在于，所述根据所述第一偏差和所述第二偏差确定目标异常样本输出阈值，包括：计算所述训练样本集的所述第一偏差的第一均值和第一标准差；根据所述第一均值和第一标准差确定第一异常样本输出阈值；计算所述预测样本集的所述第二偏差的第二均值和第二标准差；根据所述第二均值和所述第二标准差确定第二异常样本输出阈值；根据所述第一异常样本输出阈值和所述第二异常样本输出阈值确定目标异常样本输出阈值。4.根据权利要求3所述的异常样本检测方法，其特征在于，所述根据所述第一异常样本输出阈值和所述第二异常样本输出阈值确定目标异常样本输出阈值，包括：若所述第一异常样本输出阈值小于所述第二异常样本输出阈值，将所述第一异常样本输出阈值作为所述目标异常样本输出阈值。5.根据权利要求2所述的异常样本检测方法，其特征在于，所述根据所述第一偏差和所述第二偏差确定目标异常样本输出阈值，包括：获取所述训练样本集的第一置信度；根据所述第一偏差和所述第一置信度确定第一异常样本输出阈值；获取所述预测样本集的第二置信度；根据所述第二偏差和所述...

【专利技术属性】
技术研发人员：林荣吉，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：