一种二分类模型的训练方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种二分类模型的训练方法、装置、电子设备和存储介质，该方法包括：获取当次周期对应的当前样本数据集，其中，当前样本数据集包括：多个当前样本数据和每个当前样本数据对应的样本分类标签；基于当前样本数据集，对二分类模型进行当次迭代训练，并获得二分类模型当次训练输出的每个当前样本数据对应的预测分类结果；基于每个预测分类结果和样本分类标签，对每个当前样本数据进行归一化处理；基于归一化后的当前样本数据集，对二分类模型进行下次迭代训练，直到当前迭代次数等于训练迭代次数时，确定二分类模型当次周期训练完成。通过本发明专利技术实施例的技术方案，可以提高二分类模型训练的效率和准确性。以提高二分类模型训练的效率和准确性。以提高二分类模型训练的效率和准确性。

【技术实现步骤摘要】
一种二分类模型的训练方法、装置、电子设备和存储介质


[0001]本专利技术实施例涉及计算机技术，尤其涉及一种二分类模型的训练方法、装置、电子设备和存储介质。

技术介绍

[0002]随着计算机技术的发展，深度学习模型被广泛应用。在二分类模型使用前需要使用大量多样化的样本数据对二分类模型进行训练。
[0003]目前，在一些周期性产生数据的场景中，比如每年的11月份产生的数据，这种数据中往往存在部分特征值缺失的情况，即未采集到某些特征对应的特征值。并且同一场景下的样本数据中存在相似，甚至相同的特征值。可见，利用这种多样性较差的样本数据直接进行二分类模型训练，会导致二分类模型的训练效果不佳，甚至训练后的模型会出现欠拟合的情况。

技术实现思路

[0004]本专利技术实施例提供了一种二分类模型的训练方法、装置、电子设备和存储介质，以快速地完成二分类模型训练，并提高二分类模型训练的效率和准确性。
[0005]第一方面，本专利技术实施例提供了一种二分类模型的训练方法，包括：
[0006]获取当次周期对应的当前样本数据集，其中，所述当前样本数据集包括：多个当前样本数据和每个当前样本数据对应的样本分类标签；
[0007]基于当前样本数据集，对二分类模型进行当次迭代训练，并获得所述二分类模型当次训练输出的每个当前样本数据对应的预测分类结果；
[0008]基于每个当前样本数据对应的预测分类结果和所述样本分类标签，对每个当前样本数据进行归一化处理，获得归一化后的当前样本数据集；
[0009]基于归一化后的当前样本数据集，对所述二分类模型进行下次迭代训练，直到当前迭代次数等于训练迭代次数时，确定所述二分类模型当次周期训练完成。
[0010]第二方面，本专利技术实施例提供了一种二分类模型的训练装置，包括：
[0011]当前样本数据集获取模块，用于获取当次周期对应的当前样本数据集，其中，所述当前样本数据集包括：多个当前样本数据和每个当前样本数据对应的样本分类标签；
[0012]模型输出获取模块，用于基于当前样本数据集，对二分类模型进行当次迭代训练，并获得所述二分类模型当次训练输出的每个当前样本数据对应的预测分类结果；
[0013]样本数据集归一化处理模块，用于基于每个当前样本数据对应的预测分类结果和所述样本分类标签，对每个当前样本数据进行归一化处理，获得归一化后的当前样本数据集；
[0014]模型训练完成确定模块，用于基于归一化后的当前样本数据集，对所述二分类模型进行下次迭代训练，直到当前迭代次数等于训练迭代次数时，确定所述二分类模型当次周期训练完成。
[0015]第三方面，本专利技术实施例提供了一种电子设备，所述电子设备包括：
[0016]一个或多个处理器；
[0017]存储器，用于存储一个或多个程序；
[0018]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任意实施例所提供的二分类模型的训练方法。
[0019]第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所提供的二分类模型的训练方法。
[0020]本专利技术实施例的技术方案，通过获取当次周期对应的当前样本数据集，其中，所述当前样本数据集包括：多个当前样本数据和每个当前样本数据对应的样本分类标签；基于当前样本数据集，对二分类模型进行当次迭代训练，并获得所述二分类模型当次训练输出的每个当前样本数据对应的预测分类结果；基于每个当前样本数据对应的预测分类结果和所述样本分类标签，对每个当前样本数据进行归一化处理，获得归一化后的当前样本数据集，从而在不增加当前样本数据中数据特征的情况下，修改下次迭代训练时二分类模型训练所使用的当前样本数据，提高了二分类模型训练的效率；基于归一化后的当前样本数据集，对所述二分类模型进行下次迭代训练，直到当前迭代次数等于训练迭代次数时，确定所述二分类模型当次周期训练完成，从而通过基于每次迭代训练获得的预测分类结果对下次训练的样本数据进行归一化，可以避免因样本数据多样性较差而导致的二分类模型的训练效果不佳的情况，进而提高了二分类模型训练的准确性。
[0021]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0022]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本专利技术实施例一提供的一种二分类模型的训练方法的流程图；
[0024]图2是本专利技术实施例二提供的一种二分类模型的训练方法的流程图；
[0025]图3是本专利技术实施例三提供的一种二分类模型的训练装置的结构示意图；
[0026]图4是本专利技术实施例四提供的一种电子设备的结构示意图。
具体实施方式
[0027]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0028]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0029]实施例一
[0030]图1为本专利技术实施例一提供了一种二分类模型的训练方法的流程图，本实施例可适用于在一些周期性产生数据的场景中，利用周期性样本数据对二分类模型进行训练的情况，该方法可以由二分类模型的训练装置来执行，该二分类模型的训练装置可以采用硬件和/或软件的形式实现，该二分类模型的训练装置可配置于电子设备中。如图1所示，该方法包括：
[0031]S110、获取当次周期对应的当前样本数据集，其中，当前样本数据集包括：多个当前样本数据和每个当前样本数据对应的样本分类标签。
[0032]其中，当次周期可以是指本次训练模型周期。例如，当次周期可以以月份为单位周期进行周期划分，如本年中的一月或本年中的二月等；当次周期还可以以年份为单位周期进行周期划分，如去年一整年等。当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种二分类模型的训练方法，其特征在于，包括：获取当次周期对应的当前样本数据集，其中，所述当前样本数据集包括：多个当前样本数据和每个当前样本数据对应的样本分类标签；基于当前样本数据集，对二分类模型进行当次迭代训练，并获得所述二分类模型当次训练输出的每个当前样本数据对应的预测分类结果；基于每个当前样本数据对应的预测分类结果和所述样本分类标签，对每个当前样本数据进行归一化处理，获得归一化后的当前样本数据集；基于归一化后的当前样本数据集，对所述二分类模型进行下次迭代训练，直到当前迭代次数等于训练迭代次数时，确定所述二分类模型当次周期训练完成。2.根据权利要求1所述的方法，其特征在于，获取多个当前样本数据，包括：获取多个原始样本数据；基于每个原始样本数据中每个原始特征对应的原始特征值，确定同一原始特征对应的非空特征值数量；基于每个原始特征对应的非空特征值数量，确定目标原始特征；将每个原始样本数据中除了目标原始特征以外的剩余原始特征和剩余原始特征对应的特征值进行删除，并将删除后的原始样本数据作为当前样本数据。3.根据权利要求1所述的方法，其特征在于，所述基于每个当前样本数据对应的预测分类结果和所述样本分类标签，对每个当前样本数据进行归一化处理，获得归一化后的当前样本数据集，包括：将每个当前样本数据对应的预测分类结果和样本分类标签进行比较，确定预测分类结果与样本分类标签一致的第一当前样本数据和预测分类结果与样本分类标签不一致的第二当前样本数据；对所述第一当前样本数据进行正向归一化处理，获得正向归一化后的第一当前样本数据；对所述第二当前样本数据进行逆向归一化处理，获得逆向归一化后的第二当前样本数据。4.根据权利要求3所述的方法，其特征在于，所述对所述第二当前样本数据进行逆向归一化处理，获得逆向归一化后的第二当前样本数据，包括：获取当前样本数据集中每个原始特征对应的最大特征值和最小特征值，并将所述最小特征值与所述最大特征值进行相减，获得第一差值；将每个第二当前样本数据中每个原始特征对应的原始特征值与所述最大特征值进行相减，获得每个第二当前样本数据中每个原始特征对应的第二差值；将每个第二当前样本数据中每个原始特征对应的第二差值与所述第一差值进行相除，并将相除结果确定为每个第二当前样本数据中每个原始特征对应的逆向归一化值。5.根据权利要求3所述的方法，其...

【专利技术属性】
技术研发人员：杨建雄，杜志高，
申请(专利权)人：北京思特奇信息技术股份有限公司，
类型：发明
国别省市：