本申请提供了一种基于集成学习的辅助专家决策方法、装置、设备和介质，通过对输入数据指标进行预处理以形成初始决策结果；利用三种集成学习模型，通过输入的各维度特征和初始决策结果进行训练，形成模型决策结果；通过对数据指标的统计分析确定数据缩放的规则，以对初始决策结果进行微调，并同模型决策结果形成结果候选集；根据输入的总体样本数据的平均水平于各专家对应的候选集中选择最终决策结果。本申请可使结果分布更符合实际情况，改善了结果分布过分集中的情况，从而更可靠地辅助专家决策，本方法易于实现，成本较低，一方面避免专家出现决策前后相矛盾的情况，另一方面能够有效提升专家决策效率。提升专家决策效率。提升专家决策效率。
【技术实现步骤摘要】
基于集成学习的辅助专家决策方法、装置、设备和介质
[0001]本申请涉及人工智能
，特别是涉及一种基于集成学习的辅助专家决策方法、装置、设备和介质。
技术介绍
[0002]现阶段针对科研绩效，更多的指标是构建和实现管理职能，功能较为初级，并不能够实现辅助专家决策的功能，随着机器学习的广泛应用，利用机器学习的算法量化专家在科研绩效评估方面的经验，可通过模型快速产出科研绩效的评估结果，辅助专家进行这类硬性指标的判断，为之后的人才引进、人才评选决策提供参考，从而节省整个决策时间和成本，提升决策效率。
技术实现思路
[0003]鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于集成学习的辅助专家决策方法、装置、设备和介质，以解决现有技术中存在的至少一个问题。
[0004]为实现上述目的及其他相关目的，本申请提供一种基于集成学习的辅助专家决策方法，所述方法包括：对输入数据指标进行预处理以形成初始决策结果；利用三种集成学习模型，通过输入的各维度特征和初始决策结果进行训练，形成模型决策结果；通过对数据指标的统计分析确定数据缩放的规则，以对所述初始决策结果进行微调，并同所述模型决策结果形成结果候选集；根据输入的总体样本数据的平均水平于各专家对应的候选集中选择最终决策结果。
[0005]于本申请的一实施例中，所述对输入数据指标进行预处理的方法包括以下任意一种或多种：将多项维度的数据指标累计得出初始传统科研绩效；依据年龄转化公式将年龄转化为年龄得分；对满足预设条件的人才直接给予最终决策结果。<br/>[0006]于本申请的一实施例中，所述年龄转化公式为：其中，age为年龄。
[0007]于本申请的一实施例中，所述数据指标包括：h指数得分、1％高被引文章数得分、专利数得分及国内项目总金额得分中任意一或多个。
[0008]于本申请的一实施例中，所述利用三种集成学习模型，通过输入的各维度特征和初始决策结果进行训练，形成模型决策结果，包括：基于bagging思想的随机森、基于boostin思想的XGboost和GBDT构建三个集成学习模型；利用网格搜索的方式，以均方误差为模型的评价指标并进行参数调优，以优选三个集成学习模型的拟合效果；保存调参后的三个集成学习模型，输入需要预测科研绩效的维度特征，同时保留三个集成学习模型的模型决策结果。
[0009]于本申请的一实施例中，所述通过对过往数据指标的统计分析确定数据缩放的规
则，包括：其中，N为初始决策结果；X为所有初始决策结果；A为初始决策结果区间上下限的差值；B为初始决策结果区间下限。
[0010]于本申请的一实施例中，所述根据输入总体样本数据的平均水平确定最终辅助专家决策的结果的方法包括一下任意一种或多种组合：1)当一专家具有占比不小于第一预设比例的特征都高于组内平均水平，则判断该专家在组内排名靠前，取候选集中最优值作为最终结果；2)当一专家具有占比不小于第二预设比例的特征都低于组内平均水平，则判断该专家在组内排名靠后，取候选集中的最劣值作为最终结果；3)当一专家的特征情况不属于上述情况时，则判断该专家在组内排名居中，取候选集的平均水平作为最终结果。
[0011]为实现上述目的及其他相关目的，本申请提供一种基于集成学习的辅助专家决策装置，所述装置包括：预处理模块，用于对输入数据指标进行预处理以形成初始决策结果；处理模块，用于利用三种集成学习模型，通过输入的各维度特征和初始决策结果进行训练，形成模型决策结果；通过对数据指标的统计分析确定数据缩放的规则，以对所述初始决策结果进行微调，并同所述模型决策结果形成结果候选集；根据输入的总体样本数据的平均水平于各专家对应的候选集中选择最终决策结果。
[0012]为实现上述目的及其他相关目的，本申请提供一种计算机设备，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法。
[0013]为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令被运行时执行如上所述的方法。
[0014]综上所述，本申请提供的一种基于集成学习的辅助专家决策方法、装置、设备和介质，通过对输入数据指标进行预处理以形成初始决策结果；利用三种集成学习模型，通过输入的各维度特征和初始决策结果进行训练，形成模型决策结果；通过对数据指标的统计分析确定数据缩放的规则，以对所述初始决策结果进行微调，并同所述模型决策结果形成结果候选集；根据输入的总体样本数据的平均水平于各专家对应的候选集中选择最终决策结果。
[0015]具有以下有益效果：
[0016]本申请在使用集成学习模型进行训练的基础上，利用数据缩放的方法，使得结果分布更符合实际情况，改善了模型输出结果分布过分集中的情况，从而更可靠地辅助专家决策。本方法易于实现，成本较低，一方面避免专家出现决策前后相矛盾的情况，另一方面借助集成学习能够有效提升专家决策效率。
附图说明
[0017]图1显示为本申请于一实施例中基于集成学习的辅助专家决策方法的流程示意图。
[0018]图2显示为本申请于一实施例中基于集成学习的辅助专家决策系统的模块示意图。
[0019]图3显示为本申请于一实施例中计算机设备的结构示意图。
具体实施方式
[0020]以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0021]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，虽然图示中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，但其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0022]在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
[0023]如图1所示，展示为本申请于一实施例中的基于集成学习的辅助专家决策方法的流程示意图。如图所示，所述方法包括：
[0024]步骤S101：对输入数据指标进行预处理，包括年龄的转化计算，以形成初始决策结果。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于集成学习的辅助专家决策方法，其特征在于，所述方法包括：对输入数据指标进行预处理以形成初始决策结果；利用三种集成学习模型，通过输入的各维度特征和初始决策结果进行训练，形成模型决策结果；通过对数据指标的统计分析确定数据缩放的规则，以对所述初始决策结果进行微调，并同所述模型决策结果形成结果候选集；根据输入的总体样本数据的平均水平于各专家对应的候选集中选择最终决策结果。2.根据权利要求1所述的方法，其特征在于，所述对输入数据指标进行预处理的方法包括以下任意一种或多种：将多项维度的数据指标累计得出初始传统科研绩效；依据年龄转化公式将年龄转化为年龄得分；对满足预设条件的人才直接给予最终决策结果。3.根据权利要求1所述的方法，其特征在于，所述年龄转化公式为：其中，age为年龄。4.根据权利要求1或2所述的方法，其特征在于，所述数据指标包括：h指数得分、1％高被引文章数得分、专利数得分及国内项目总金额得分中任意一或多个。5.根据权利要求1所述的方法，其特征在于，所述利用三种集成学习模型，通过输入的各维度特征和初始决策结果进行训练，形成模型决策结果，包括：基于bagging思想的随机森、基于boostin思想的XGboost和GBDT构建三个集成学习模型；利用网格搜索的方式，以均方误差为模型的评价指标并进行参数调优，以优选三个集成学习模型的拟合效果；保存调参后的三个集成学习模型，输入需要预测科研绩效的维度特征，同时保留三个集成学习模型的模型决策结果。6.根据权利要求1所述的方法，其特征在于，所述通过对过往数据指标的统计...
【专利技术属性】
技术研发人员：何军，樊宇航，王茜，
申请(专利权)人：上海市研发公共服务平台管理中心，
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。