一种基于区块链网络的机器学习模型处理方法技术

本发明专利技术涉及机器学习模型处理技术领域，且公开了一种基于区块链网络的机器学习模型处理方法，包括机器学习模型处理系统，所述机器学习模型处理系统包括身份认证单元、预处理单元、反馈单元、区块链网络单元、人工智能单元、处理单元、分析单元、特征值工程单元和机器学习模型单元，通过采用空值处理、离群值处理、归一化或数据缩放、编码分类特征和离散化多种预处理方式，对机器学习模型要学习的原始数据信息进行预处理，便于快速从海量的原始数据中找到与机器学习模型的目标数据信息相对应的数据信息，提高机器学习模型学习的效率，且并通过反馈单元预设逻辑辅助，便于对进行预处理时快速找到预处理过程中出现的程序错误或预处理错误。理错误。理错误。

【技术实现步骤摘要】
一种基于区块链网络的机器学习模型处理方法


[0001]本专利技术涉及机器学习模型处理
，具体为一种基于区块链网络的机器学习模型处理方法。

技术介绍

[0002]机器学习模型是一种算法的表达，它通过梳理海量数据来查找模式或进行预测，机器学习(ML)模型由数据助力，是人工智能的数学引擎，在机器学习中，所谓的预训练模型。它使用与用例中的数据类似的大型训练数据集进行了优化。数据关系，又称为权重和偏差，针对目标应用程序进行优化，训练模型需要超大型数据集、大量的AI专业知识和强大的计算能力。
[0003]但是现有的机器学习模型在对原始数据处理的过程中，对原始数据的预处理较为简单，对原始数据的筛查效果一般，导致大量无用混乱数据影响机器学习模型的处理效率，存在一定的缺陷。

技术实现思路

[0004]本专利技术提供如下技术方案：一种基于区块链网络的机器学习模型处理方法，包括机器学习模型处理系统，所述机器学习模型处理系统包括身份认证单元、预处理单元、反馈单元、区块链网络单元、人工智能单元、处理单元、分析单元、特征值工程单元和机器学习模型单元，身份认证单元的输出端与与处理单元的输入端连接，预处理单元的输出端与处理单元的输入端连接，处理单元的输出端与分析单元的输入端连接，分析单元的输出端与特征值工程单元的输入端连接，特征值工程单元的输出端与机器学习模型单元的输入端连接，反馈单元的输出端与预处理单元的输入端连接，区块链网络单元的输出端与预处理单元的输入端连接，人工智能单元的输出端与处理单元的输入端和分析单元的输入端连接。
[0005]通过采用上述技术方案；通过采用空值处理、离群值处理、归一化或数据缩放、编码分类特征和离散化多种预处理方式，对机器学习模型要学习的原始数据信息进行预处理，便于快速从海量的原始数据中找到与机器学习模型的目标数据信息相对应的数据信息，提高机器学习模型学习的效率，且并通过反馈单元预设逻辑辅助，便于对进行预处理时快速找到预处理过程中出现的程序错误或预处理错误，并将错误的数据信息进行展示，便于工作人员及时掌握，通过区块链网络单元向机器学习模型提供海量区块链网络的原始数据信息，便于机器学习模型快速快速学习到目标数据信息，并通过人工智能单元通过人工智能和人工手动的操作在预处理单元处理后的数据进行完善，和在处理和分析的过程中进行智能辅助。
[0006]优选的，所述身份认证单元包括身份识别和学习模型信息，身份认证单元用于对要进行学习的机器学习模型的控制方信息进行掌握并对机器学习模型本身的信息进行掌握。
[0007]通过采用上述技术方案；通过身份认证单元便于对要学习的机器学习模型和该机
器学习模型的控制方信息进行掌握，便于掌握该机器学习模型的学习信息，便于在后期使用时快速掌握机器学习模型的需求。
[0008]优选的，所述预处理单元包括空值处理、离群值处理、归一化或数据缩放、编码分类特征和离散化，预处理单元用于对得到的混乱和海量的原始数据信息进行预处理，得到与所述机器学习模型适配的数据信息。
[0009]通过采用上述技术方案；通过采用空值处理、离群值处理、归一化或数据缩放、编码分类特征和离散化多种预处理方式，对机器学习模型要学习的原始数据信息进行预处理，便于快速从海量的原始数据中找到与机器学习模型的目标数据信息相对应的数据信息，提高机器学习模型学习的效率。
[0010]优选的，所述处理单元包括数据信息提取、数据信息整合和建立训练集，处理单元用于对预处理后的数据信息并根据所述机器学习模型的需求进行再次提取，且对提取到的数据信息进行整合，并对整合后的信息建立训练集。
[0011]通过采用上述技术方案；通过处理单元便于对预处理后的数据信息进行提取，便于找到与所述机器学习模型相适配的目标数据信息，并对提取完成的数据信息进行整合，便于后续进行分析，通过建立训练集便于后续家里所述机器学习模型对应的学习模型。
[0012]优选的，所述分析单元包括数据信息对比和数据信息筛选，分析单元用于对处理单元处理后的数据信息与机器学习模型的数据信息进行对比和筛选，使分析后得到的数据信息使用并且为所述机器学习模型的目标数据信息。
[0013]通过采用上述技术方案；通过分析单元对处理后的数据信息进行对比，找到并确认所述机器学习模型对应的目标数据信息，并进行筛选，保证目标数据信息的优质程度。
[0014]优选的，所述特征值工程单元包括特征值度量、特征向量和特征空间，特征值工程单元用于对与所述机器学习模型相适配的，分析单元分析后的目标数据信息建立学习模型构架，并通过分析单元得到的目标数据信息进行填补完善。
[0015]通过采用上述技术方案；由于特征值工程单元选取和构造直接影响了模型的性能，从而保证与所述机器学习模型对应的学习模型的稳定性。
[0016]优选的，通过机器学习模型单元包括数据信息合并和数据信息存储，机器学习模型单元用于对所述特征值工程单元建立的学习模型与要所述学习的机器学习模型进行合并，使区块链网络信息存储至该所述机器学习模型中。
[0017]通过采用上述技术方案；通过机器学习模型单元将建立的学习模型合并至所述机器学习模型内，从而完善机器学习模型内的数据。
[0018]优选的，所述区块链单元网络单元包括数据信息资源库，区块链网络单元用于对预处理单元提供海量区块链网络信息，向所述机器学习模型的学习提供原始数据信息，所述反馈单元包括预设逻辑、数据信息逻辑处理、预设逻辑驳向数据信息，反馈单元用于通过预设的数据信息逻辑对所述预处理单元在预处理的过程中进行逻辑检查，并将与所预设的数据信息逻辑向驳的预处理数据信息进行展示。
[0019]通过采用上述技术方案；通过区块链网络单元向机器学习模型提供海量区块链网络的原始数据信息，便于机器学习模型快速快速学习到目标数据信息，通过反馈单元预设逻辑辅助，便于对进行预处理时快速找到预处理过程中出现的程序错误或预处理错误，并将错误的数据信息进行展示，便于工作人员及时掌握。
[0020]优选的，所述人工智能单元包括人工辅助，人工智能单元用于处理单元和分析单元在对数据信息进行处理和分析的过程中通过人工操作的方式和互联网预设程序介入的方式进行干预辅助。
[0021]通过采用上述技术方案；通过人工智能单元通过人工智能和人工手动的操作在预处理单元处理后的数据进行完善，和在处理和分析的过程中进行智能辅助。
[0022]优选的，一种基于区块链网络的机器学习模型处理方法，其主要步骤为：
[0023]S1：对通过区块链进行学习机器学习模型进行身份认证，并对该机器学习模型的信息进行采集掌握；
[0024]S2：认证成功则进行后续学习，认证失败则进行重新认证直至认证成功；
[0025]S3：对认证成功的机器学习模型要学习的数据信息通过多种或一种预处理方式并在区块链单元和反馈单元的辅助下进行预处理；
[0026]S4：预处理完成的数据信息通过处理单元在人工智能的辅助下进行提取和整合,并根据提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链网络的机器学习模型处理方法，包括机器学习模型处理系统，其特征在于：所述机器学习模型处理系统包括身份认证单元、预处理单元、反馈单元、区块链网络单元、人工智能单元、处理单元、分析单元、特征值工程单元和机器学习模型单元，身份认证单元的输出端与与处理单元的输入端连接，预处理单元的输出端与处理单元的输入端连接，处理单元的输出端与分析单元的输入端连接，分析单元的输出端与特征值工程单元的输入端连接，特征值工程单元的输出端与机器学习模型单元的输入端连接，反馈单元的输出端与预处理单元的输入端连接，区块链网络单元的输出端与预处理单元的输入端连接，人工智能单元的输出端与处理单元的输入端和分析单元的输入端连接。2.根据权利要求1所述的一种基于区块链网络的机器学习模型处理方法，其特征在于：所述身份认证单元包括身份识别和学习模型信息，身份认证单元用于对要进行学习的机器学习模型的控制方信息进行掌握并对机器学习模型本身的信息进行掌握。3.根据权利要求1所述的一种基于区块链网络的机器学习模型处理方法，其特征在于：所述预处理单元包括空值处理、离群值处理、归一化或数据缩放、编码分类特征和离散化，预处理单元用于对得到的混乱和海量的原始数据信息进行预处理，得到与所述机器学习模型适配的数据信息。4.根据权利要求1所述的一种基于区块链网络的机器学习模型处理方法，其特征在于：所述处理单元包括数据信息提取、数据信息整合和建立训练集，处理单元用于对预处理后的数据信息并根据所述机器学习模型的需求进行再次提取，且对提取到的数据信息进行整合，并对整合后的信息建立训练集。5.根据权利要求1所述的一种基于区块链网络的机器学习模型处理方法，其特征在于：所述分析单元包括数据信息对比和数据信息筛选，分析单元用于对处理单元处理后的数据信息与机器学习模型的数据信息进行对比和筛选，使分析后得到的数据信息使用并且为所述机器学习模型的目标数据信息。6.根据权利要求1所述的一种基于区块链网络的机器学习模型处理方法，其特征在于：所述特征值工程单元包括特征值度量、特征向量和特征空间，特征值工程单元用于对与所述机器学习模...

【专利技术属性】
技术研发人员：张辉辉，张彭，曲秀清，
申请(专利权)人：潍坊学院，
类型：发明
国别省市：