System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,尤其涉及一种分类模型训练方法、逾期风险预测方法及装置。
技术介绍
1、随着人工智能技术的日益发展,各领域越来越多地使用模型执行分类任务。例如,金融领域通过模型判断客户是否存在还款逾期风险、电商领域通过模型判断用户是否会购买某种商品等等。因此,如何提高分类模型的分类准确性是人工智能领域的一个重要问题。
技术实现思路
1、有鉴于此,本专利技术实施例提供了一种分类模型训练方法、逾期风险预测方法及装置,以提高分类模型推断准确性、泛化性的同时,降低分类模型推断成本。
2、根据本专利技术的一方面,提供了一种分类模型训练方法,所述方法包括:
3、基于预设训练数据集对多个预设模型进行训练,得到多个候选分类模型;
4、基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型;所述待训练的分类模型中包括多个分类层,至少两个所述分类层为基于不同所述候选分类模型训练得到。
5、在一种可能的实施例中,至少两个所述候选分类模型的结构不同,所述方法还包括:
6、确定各所述候选分类模型的分类准确度;
7、确定分类准确度最高的所述候选分类模型的结构为所述待训练的分类模型的结构。
8、在一种可能的实施例中,所述基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型,包括:
9、将所述预设训练数据集中的训练数据输入至所述待训练的分类模型;
10、获取各所述分类
11、针对各分类层,基于所述分类层针对所述训练数据输出的分类结果与任一剩余候选分类模型针对所述训练数据输出的分类结果之间的第一差异,对所述分类层进行训练,直至所述第一差异收敛;其中,所述剩余候选分类模型为未参与训练分类层的候选分类模型。
12、在一种可能的实施例中,所述方法还包括:
13、基于未训练的分类层输出的针对所述预设训练数据集中的训练数据的分类结果与所述训练数据的标签之间的第二差异,对所述未训练的分类层进行训练,直至所述第二差异收敛。
14、根据本专利技术的另一方面,提供了一种逾期风险预测方法,所述方法包括:
15、获取目标用户信息;所述目标用户信息包括:所述目标用户的征信信息;
16、将所述目标用户信息输入至预先训练好的目标分类模型中;
17、获取所述目标分类模型输出的逾期风险结果;
18、所述目标分类模型预先通过如下步骤训练:
19、基于预设训练数据集对多个预设模型进行训练,得到多个候选分类模型;
20、基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型;所述待训练的分类模型中包括多个分类层,至少两个所述分类层为基于不同所述候选分类模型训练得到。
21、在一种可能的实施例中,所述目标分类模型用于:
22、提取所述目标用户信息的信息特征;
23、通过所述多个分类层基于所述信息特征得到多个候选逾期风险结果;
24、将所述多个候选逾期风险结果的统计值作为输出结果。
25、根据本专利技术的另一方面,提供了一种分类模型训练装置,所述装置包括:
26、候选分类模型获取模块,用于基于预设训练数据集对多个预设模型进行训练,得到多个候选分类模型;
27、目标分类模型获取模块,用于基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型;所述待训练的分类模型中包括多个分类层,至少两个所述分类层为基于不同所述候选分类模型训练得到。
28、在一种可能的实施例中,至少两个所述候选分类模型的结构不同,所述装置还包括:
29、结构确定模块,用于确定各所述候选分类模型的分类准确度;确定分类准确度最高的所述候选分类模型的结构为所述待训练的分类模型的结构。
30、在一种可能的实施例中,所述基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型,包括:
31、将所述预设训练数据集中的训练数据输入至所述待训练的分类模型;
32、获取各所述分类层输出的针对所述训练数据的分类结果;
33、针对各分类层,基于所述分类层针对所述训练数据输出的分类结果与任一剩余候选分类模型针对所述训练数据输出的分类结果之间的第一差异,对所述分类层进行训练,直至所述第一差异收敛;其中,所述剩余候选分类模型为未参与训练分类层的候选分类模型;
34、和/或还包括:
35、基于未训练的分类层输出的针对所述预设训练数据集中的训练数据的分类结果与所述训练数据的标签之间的第二差异,对所述未训练的分类层进行训练,直至所述第二差异收敛。
36、根据本专利技术的另一方面,提供了一种逾期风险预测装置,所述装置包括:
37、获取模块,用于获取目标用户信息;所述目标用户信息包括:所述目标用户的征信信息;
38、输入模块,用于将所述目标用户信息输入至预先训练好的目标分类模型中;
39、输出模块,用于获取所述目标分类模型输出的逾期风险结果;
40、所述目标分类模型预先通过如下步骤训练:
41、基于预设训练数据集对多个预设模型进行训练,得到多个候选分类模型;
42、基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型;所述待训练的分类模型中包括多个分类层,至少两个所述分类层为基于不同所述候选分类模型训练得到。
43、在一种可能的实施例中,所述目标分类模型用于:
44、提取所述目标用户信息的信息特征;
45、通过所述多个分类层基于所述信息特征得到多个候选逾期风险结果;
46、将所述多个候选逾期风险结果的统计值作为输出结果。
47、根据本专利技术的另一方面,提供了一种电子设备,包括:
48、处理器;以及
49、存储程序的存储器,
50、其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述任一所述的分类模型训练方法和/或逾期风险预测方法。
51、根据本专利技术的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行上述任一所述的分类模型训练方法和/或逾期风险预测方法。
52、本专利技术实施例中提供的一个或多个技术方案,通过基于多个预先训练的候选分类模型对待训练的分类模型中的各个分类层进行训练,得到目标分类模型,使得目标分类模型具有多个候选分类模型的性能,从而提高目标分类模型的泛化性以及分类准确性,同时,与现有的集成模型相比,在使用目标分类模型时无需使用多个模型进行并行推断,节省模型使用成本以及推断时间。
本文档来自技高网...【技术保护点】
1.一种分类模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,至少两个所述候选分类模型的结构不同,所述方法还包括:
3.根据权利要求1所述的方法,其特征在于,所述基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型,包括:
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
5.一种逾期风险预测方法,其特征在于,所述方法包括:
6.根据权利要求5所述的方法,其特征在于,所述目标分类模型用于:
7.一种分类模型训练装置,其特征在于,所述装置包括:
8.根据权利要求7所述的装置,其特征在于,至少两个所述候选分类模型的结构不同,所述装置还包括:
9.根据权利要求7所述的装置,其特征在于,所述基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型,包括:
10.一种逾期风险预测装置,其特征在于,所述装置包括:
11.根据权利要求10所述的装置,其特征在于,所述目标分类模型用于:
12
13.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-4或5-6中任一项所述的方法。
...【技术特征摘要】
1.一种分类模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,至少两个所述候选分类模型的结构不同,所述方法还包括:
3.根据权利要求1所述的方法,其特征在于,所述基于所述多个候选分类模型,对待训练的分类模型进行训练,得到目标分类模型,包括:
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
5.一种逾期风险预测方法,其特征在于,所述方法包括:
6.根据权利要求5所述的方法,其特征在于,所述目标分类模型用于:
7.一种分类模型训练装置,其特征在于,所述装置包括:
【专利技术属性】
技术研发人员:王子扬,吕喆朋,杨青,
申请(专利权)人:度小满科技北京有限公司,
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。