【技术实现步骤摘要】
超重预测模型的训练方法及电子设备
[0001]本申请涉及数据处理
,尤其涉及一种超重预测模型的训练方法及电子设备
。
技术介绍
[0002]进行超重预测,传统的方式会采用计算超重指标(例如,
BMI
,身体质量指数),根据超重指标确定是否超重
。
[0003]一般超重指标需要用户的身体特征的信息才能计算,如果不知道用户的身体特征,就无法确定超重指标,所以后来采用一种根据人脸图像通过神经网络模型预测超重指标的方案
。
[0004]但是,目前的神经网络模型进行训练的时候所需的训练样本可能是用户谎报的身体特征,或者谎报的超重指标,这样就会导致训练得到的神经网络模型的预测准确度不高
。
技术实现思路
[0005]有鉴于此,本申请的目的在于提出一种超重预测模型的训练方法及电子设备,用以解决或部分解决上述技术问题
。
[0006]基于上述目的,本申请的第一方面提供了一种超重预测模型的训练方法,包括:获取第一数量的历史对象的第一相关数据作为第一样本数据集;其中,所述第一相关数据包括:第一面部图像与第一填报数据,所述第一数量的历史对象中的部分历史对象的第一相关数据中包括第一体检数据;所述第一填报数据和所述第一体检数据中均包括第一超重指标;将没有第一体检数据的第一相关数据输入至判别模型;利用判别模型识别所述没有第一体检数据的第一相关数据中的第一填报数据的第一超重指标的真实性,得到识别结果;根据所述识别结果对该识别结果对应的第一相关数据 ...
【技术保护点】
【技术特征摘要】
1.
一种超重预测模型的训练方法,其特征在于,包括:获取第一数量的历史对象的第一相关数据作为第一样本数据集;其中,所述第一相关数据包括:第一面部图像与第一填报数据,所述第一数量的历史对象中的部分历史对象的第一相关数据中包括第一体检数据;所述第一填报数据和所述第一体检数据中均包括第一超重指标;将没有第一体检数据的第一相关数据输入至判别模型;利用判别模型识别所述没有第一体检数据的第一相关数据中的第一填报数据的第一超重指标的真实性,得到识别结果;根据所述识别结果对该识别结果对应的第一相关数据中的第一填报数据的第一超重指标进行相应修正,得到修正后的第一样本数据集;利用预先构建的初始超重预测模型对所述修正后的第一样本数据集中的第一面部图像进行超重的训练预测处理,根据训练预测结果与对应的第一超重指标之间的差异对所述初始超重预测模型进行参数调整,得到超重预测模型
。2.
根据权利要求1所述的方法,其特征在于,所述判别模型的训练过程包括:获取第二数量的历史对象的第二相关数据作为第二样本数据集,其中,所述第二相关数据中包括:第二面部图像
、
第二体检数据和第二填报数据;所述第二填报数据和所述第二体检数据中均包括第二超重指标;将所述第二填报数据中的第二超重指标与超重关注值进行比较,得到填报数据比较结果,以及将所述第二体检数据中的第二超重指标与超重关注值进行比较,得到体检数据比较结果;将所述填报数据比较结果与所述体检数据比较结果不同的第二相关数据进行谎报标记,得到标记后的第二样本数据集;利用所述标记后的第二样本数据集中的第二面部图像和第二填报数据,对预先由神经网络构成的初始判别模型进行训练判断处理,得到训练判断结果,根据所述训练判断结果与所述谎报标记之间的差异对所述初始判别模型进行参数调整,得到所述判别模型
。3.
根据权利要求2所述的方法,其特征在于,所述将所述填报数据比较结果与所述体检数据比较结果不同的第二相关数据进行谎报标记,得到标记后的第二样本数据集,包括:判断是否为所述体检数据比较结果属于所述第二体检数据中的第二超重指标大于超重关注值,且所述填报数据比较结果属于所述第二填报数据的第二超重指标小于等于超重关注值,是则,确定谎报标记为第一标记,否则,确定谎报标记为第二标记;从属于第二标记的第二相关数据中选择所述第二体检数据中的第二超重指标大于超重关注值的至少一个第二相关数据,将选择的至少一个第二相关数据中所述第二填报数据的第二超重指标设定为小于等于超重关注值,并将所述第二标记变更为第一标记;将所有第一标记的第二相关数据和所有第二标记的第二相关数据进行组合得到所述标记后的第二样本数据集
。4.
根据权利要求2所述的方法,其特征在于,所述初始判别模型包括:图像特征处理网络和浅层分类网络;所述利用所述标记后的第二样本数据集中的第二面部图像和第二填报数据,对预先由神经网络构成的初始判别模型进行训练判断处理,得到训练判断结果,根据所述训练判断
结果与所述谎报标记之间的差异对所述初始判别模型进行参数调整,得到所述判别模型,包括:利用图像特征处理网络对所述标记后的第二样本数据集中的第二面部图像进行特征提取,得到第一维度的第二图像特征;将所述第二填报数据与所述第一维度的第二图像特征合并成第二维度的第二输入数据;将所述第二输入数据输入至浅层分类网络中进行训练判断处理得到训练判断结果,根据所述训练判断结果与对应的谎报标记之间的差异对所述浅层分类网络进行参数调整,得到训练后的浅层分类网络;将所述图像特征处理网络和所述训练后的浅层分类网络进行组合得到所述判别模型
。5.
根据权利要求4所述的方法,其特征在于,所述利用判别模型识别所述没有第一体检数据的第一相关数据中的第一填报数据的第一超重指标的...
【专利技术属性】
技术研发人员:李阳頔,郭萱,陈冠宏,贠婉晴,高洪莞,
申请(专利权)人:恒安标准人寿保险有限公司,
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。