【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种机器学习模型的优化方法、装置、电子设备及存储介质。
技术介绍
1、随着机器学习为主的人工智能技术的发展迅速，机器学习模型被应用在了越来越多的领域。对机器学习模型的模型优化在建模中起到重要作用，不仅能够提高模型性能和效率，还能降低资源消耗。目前，常用的优化方法包括数据预处理对数据清洗、标准化、归一化等，但是这种方式一般只选择预测正确的数据对机器学习模型进行分析和优化，而无法全面考虑到所有预测数据对机器学习模型带来的影响，从而出现了机器学习模型优化效率较低的问题。
技术实现思路
1、本申请实施例提供了一种机器学习模型的优化方法、装置、电子设备及存储介质，解决了现有技术中机器学习模型优化效率较低的问题。
2、为解决上述问题，本申请是这样实现的：
3、第一方面，本申请实施例提供了一种机器学习模型的优化方法，所述方法包括：
4、获取目标机器学习模型对应的第一样本数据和第二样本数据，所述目标机器学习模型基于所述第一样本数据和所述第二样本数据进行预测得到的预测结果不同，所述第一样本数据包括x个第一特征，所述第二样本数据包括y个第二特征，所述x为正整数，所述y为正整数；
5、分别计算所述x个第一特征和所述y个第二特征中，每个特征对所述目标机器学习模型的贡献度，得到z个第一贡献度，所述贡献度用于表征所对应的特征对所述目标机器学习模型的输出结果的影响程度，所述z为所述x与所述y之和，所述z为正整数；
6、在所述
7、基于所述至少一个第一目标贡献度所对应的至少一个特征对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型。
8、可选的，所述获取目标机器学习模型在训练过程中的第一样本数据和第二样本数据，包括：
9、确定所述目标机器学习模型的种类，所述种类包括分类任务的机器学习模型和回归任务的机器学习模型；
10、基于所述种类，获取目标机器学习模型在训练过程中的第一样本数据和第二样本数据，其中，在所述种类表征所述目标机器学习模型为所述分类任务的机器学习模型的情况下，所述第一样本数据为所述目标机器学习模型预测错误的样本数据，所述第二样本数据为所述目标机器学习模型预测正确的样本数据；在所述种类表征所述目标机器学习模型为所述回归任务的机器学习模型的情况下，所述第一样本数据为所述目标机器学习模型预测误差大于预设误差的样本数据，所述二样本数据为所述目标机器学习模型预测误差等于或小于所述预设误差的样本数据。
11、可选的，所述分别计算所述x个第一特征和所述y个第二特征中，每个特征对所述目标机器学习模型的贡献度，得到z个第一贡献度，包括：
12、分别计算所述x个第一特征和所述y个第二特征中的每个特征对所述目标机器学习模型的贡献度，得到z个第二贡献度，所述z个第二贡献度包括x个第一特征所对应的x个第二贡献度和所述y个第二特征所对应的y个第二贡献度；
13、对所述x个第一特征所对应的x个第二贡献度进行优化，得到x个第三贡献度；
14、其中，所述z个第一贡献度包括：所述y个第二特征所对应的y个第二贡献度，以及，所述x个第三贡献度。
15、可选的，所述对所述x个第一特征所对应的x个贡献度进行优化，得到x个第三贡献度，包括：
16、分别计算所述x个第一特征对所述目标机器学习模型的贡献度，得到x个第四贡献度；
17、对所述x个第四贡献度进行分类，得到所述x个第三贡献度，其中，所述第三贡献度包括分类标识，所述分类标识用于表征所对应的贡献度为正向贡献度或负向贡献度。
18、可选的，所述在所述z个第一贡献度中确定至少一个第一目标贡献度，包括：
19、按照降序排序的方式对所述z个第一贡献度进行排序，得到排序集合；
20、根据预设阈值对所述排序集合进行筛选，确定至少一个第一目标贡献度，所述第一目标贡献度大于或等于所述预设阈值。
21、可选的，所述基于所述至少一个第一目标贡献度所对应的至少一个特征对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型包括：
22、基于所述至少一个目标贡献度所对应的至少一个目标特征，对所述至少一个目标贡献度进行更新，得到至少一个第二目标贡献度，所述至少一个第一目标贡献度与所述至少一个第二目标贡献度一一对应；
23、对所述至少一个第二目标贡献度进行筛选，确定至少一个第三目标贡献度；
24、基于所述至少一个第三目标贡献度所对应的至少一个特征对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型。
25、可选的，所述基于所述至少一个第三目标贡献度所对应的至少一个特征对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型，包括：
26、基于所述至少一个第三目标贡献度生成优化信息；
27、基于所述优化信息对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型；
28、其中，所述优化信息包括以下至少一项：调整所述目标机器学习模型的中所述目标特征所对应的权重值、增加所述目标机器学习模型的第一样本特征、删除所述目标机器学习模型的第二样本特征、对所述目标机器学习模型的训练样本进行预处理。
29、第二方面，本申请实施例还提供了一种机器学习模型的优化装置，所述装置包括：
30、获取模块，用于获取目标机器学习模型对应的第一样本数据和第二样本数据，所述目标机器学习模型基于所述第一样本数据和所述第二样本数据进行预测得到的预测结果不同，所述第一样本数据包括x个第一特征，所述第二样本数据包括y个第二特征，所述x为正整数，所述y为正整数；
31、计算模块，用于分别计算所述x个第一特征和所述y个第二特征中，每个特征对所述目标机器学习模型的贡献度，得到z个第一贡献度，所述贡献度用于表征所对应的特征对所述目标机器学习模型的输出结果的影响程度，所述z为所述x与所述y之和，所述z为正整数；
32、确定模块，用于在所述z个第一贡献度中确定至少一个第一目标贡献度；
33、优化模块，用于基于所述至少一个第一目标贡献度所对应的至少一个特征对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型。
34、第三方面，本申请实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。
35、第四方面，本申请实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如前述第一方面所述方法中的步骤。
36、本申请提供一种机器学习模型的优化方法、装置、电子设备及存储介质，该方法包括：获取目标机器学习模型对应的第一样本数据和第二样本数据，所述目标机器学习模型基于所述第一本文档来自技高网...
【技术保护点】
1.一种机器学习模型的优化方法，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，所述获取目标机器学习模型在训练过程中的第一样本数据和第二样本数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述分别计算所述x个第一特征和所述y个第二特征中，每个特征对所述目标机器学习模型的贡献度，得到z个第一贡献度，包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述x个第一特征所对应的x个贡献度进行优化，得到x个第三贡献度，包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述在所述z个第一贡献度中确定至少一个第一目标贡献度，包括：
6.根据权利要求1或5所述的方法，其特征在于，所述基于所述至少一个第一目标贡献度所对应的至少一个特征对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述至少一个第三目标贡献度所对应的至少一个特征对所述目标机器学习模型进行优化，得到优化后的目标机器学习模型，包括：
8.一
9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至7中任一项所述的机器学习模型的优化方法中的步骤。
10.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的机器学习模型的优化方法中的步骤。
...【技术特征摘要】
1.一种机器学习模型的优化方法，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，所述获取目标机器学习模型在训练过程中的第一样本数据和第二样本数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述分别计算所述x个第一特征和所述y个第二特征中，每个特征对所述目标机器学习模型的贡献度，得到z个第一贡献度，包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述x个第一特征所对应的x个贡献度进行优化，得到x个第三贡献度，包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述在所述z个第一贡献度中确定至少一个第一目标贡献度，包括：
6.根据权利要求1或5所述的方法，其特征在于，所述基于所述至少一个第一目标贡...
【专利技术属性】
技术研发人员：陈端良，单聪，蔡二丰，王家家，闫树红，
申请(专利权)人：北京九章云极科技有限公司，
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。