【技术实现步骤摘要】
本公开涉及一种基于树的机器学习模型的缩减方法及电子装置。
技术介绍
1、决策树是一种具有树状结构的监督式机器学习模型。决策树不仅直观且执行效率也相当高，更可用以处理分类问题或回归问题，因此其应用范围相当广泛。另一方面，集成式学习(ensemble learning)中的提升(boosting)方法是一种常用的统计学习方法，其是一种可将弱分类器转换为强分类器的机器学习算法。目前来说，提升方法可用以对多个决策树进行线性组合，从而建立出预测结果更准确的提升树(boosting tree)模型。由于提升树模型具有优异的预测准确率，因此受到相当的重视。
2、此外，基于树的机器学习模型(例如提升树模型)较神经网络模型更适合部署在运算资源受限的硬件上，例如工业控制实际场域的嵌入式设备。但是，当实际场域的网络流量突然增加，将导致基于树的机器学习模型处理不及，使得工控恶意威胁风险提高。于是，为了加快模型推论速度，可对基于树的机器学习模型进行缩减处理，从而降低工控恶意威胁风险。以提升树模型来说，提升树模型的缩减可于模型训练过程中进行，也可于训练完毕之后进行。
3、当要于模型训练过程中缩减提升树模型时，可对提升树模型进行剪枝(pruning)处理，像是限制树结构的高度、宽度或叶数量。然而，在完成提升树模型的训练之后，一旦提升树模型的应用实际场域出现非预期变化(例如网络流量突增或场域硬件更换等)，剪枝处理是无法被施展的。另一方面，当要于模型训练完毕之后缩减提升树模型，可对提升树模型进行量化(quantization)处理或切片选
技术实现思路
1、本公开提供一种基于树的机器学习模型的缩减方法及电子装置，可有效率地对训练完成的提升树模型进行缩减，并获取推论准确度良好的经缩减提升树模型。
2、本公开提供一种基于树的机器学习模型的缩减方法，包括下列步骤：获取包括多个子树的提升树模型(boosting tree model)；根据提升树模型的多个模型特征分别对应的特征重要性信息，决定各个子树的子树重要性；根据各个子树的子树重要性，自多个子树中撷取出至少一连续树子集合，其中至少一连续树子集合包括多个子树其中至少一个；根据至少一连续树子集合获取提升树模型的至少一经缩减提升树模型。
3、本公开提供一种电子装置，包括存储装置与处理器；存储装置记录有多个指令；处理器耦接存储装置，且存取和执行前述指令而经配置以执行下列步骤：获取包括多个子树的提升树模型；根据提升树模型的多个模型特征分别对应的特征重要性信息，决定各个子树的子树重要性；根据各个子树的子树重要性，自多个子树中撷取出至少一连续树子集合，其中至少一连续树子集合包括多个子树其中至少一个；根据至少一连续树子集合获取提升树模型的至少一经缩减提升树模型。
4、基于上述，于本公开实施例中，提升树模型的各子树的子树重要性可根据多个模型特征各自的特征重要性信息来决定。于是，各子树的子树重要性可用以从连续的子树中获取至少一连续树子集合，而据以获取提升树模型的至少一经缩减提升树模型。基于此，本公开实施例不仅可针对已经训练完成的提升树模型进行有效率地模型缩减，还可获取准确度良好的经缩减提升树模型。
本文档来自技高网...【技术保护点】
1.一种基于树的机器学习模型的缩减方法，适用于包括处理器的电子装置，其特征在于，所述方法包括：
2.根据权利要求1所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述提升树模型的所述多个模型特征分别对应的所述特征重要性信息，决定各个所述子树的所述子树重要性的步骤包括：
3.根据权利要求2所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述至少一重要模型特征的所述特征重要性信息，决定各个所述子树的所述子树重要性的步骤包括：
4.根据权利要求2所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述模型特征的所述特征重要性，自所述多个模型特征挑选出所述至少一重要模型特征的步骤包括：
5.根据权利要求1所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述子树的所述子树重要性，自所述多个子树中撷取出所述至少一连续树子集合的步骤包括：
6.根据权利要求5所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述子树的所述子树重要性，自所述多个子树挑选出所述至少一重要子树的步骤包括：
7.
8.根据权利要求5所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述子树的所述子树重要性，自所述多个子树挑选出所述至少一重要子树的步骤包括：
9.根据权利要求5所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述至少一重要子树对所述多个子树进行切片选择而获取所述至少一连续树子集合的步骤包括：
10.根据权利要求5所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述至少一重要子树对所述多个子树进行切片选择而获取所述至少一连续树子集合的步骤包括：
11.根据权利要求1所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述至少一连续树子集合获取所述提升树模型的所述至少一经缩减提升树模型的步骤包括：
12.根据权利要求1所述的基于树的机器学习模型的缩减方法，其特征在于，所述方法还包括：
13.一种电子装置，其特征在于，包括：
14.根据权利要求13所述的电子装置，其特征在于，所述处理器还经配置以：
15.根据权利要求14所述的电子装置，其特征在于，所述处理器经配置以：
16.根据权利要求14所述的电子装置，其特征在于，所述处理器经配置以：
17.根据权利要求13所述的电子装置，其特征在于，所述处理器经配置以：
18.根据权利要求17所述的电子装置，其特征在于，所述处理器经配置以：
19.根据权利要求18所述的电子装置，其特征在于，所述多个子树包括多个第一子树，且各个所述第一子树的所述子树重要性小于所述子树重要性统计值，所述处理器经配置以：
20.根据权利要求17所述的电子装置，其特征在于，其特征在于，所述处理器经配置以：
21.根据权利要求17所述的电子装置，其特征在于，所述处理器经配置以：
22.根据权利要求17所述的电子装置，其特征在于，所述处理器经配置以：
23.根据权利要求13所述的电子装置，其特征在于，所述处理器经配置以：
24.根据权利要求13所述的电子装置，其特征在于，所述处理器经配置以：
...【技术特征摘要】
1.一种基于树的机器学习模型的缩减方法，适用于包括处理器的电子装置，其特征在于，所述方法包括：
2.根据权利要求1所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述提升树模型的所述多个模型特征分别对应的所述特征重要性信息，决定各个所述子树的所述子树重要性的步骤包括：
3.根据权利要求2所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述至少一重要模型特征的所述特征重要性信息，决定各个所述子树的所述子树重要性的步骤包括：
4.根据权利要求2所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述模型特征的所述特征重要性，自所述多个模型特征挑选出所述至少一重要模型特征的步骤包括：
5.根据权利要求1所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述子树的所述子树重要性，自所述多个子树中撷取出所述至少一连续树子集合的步骤包括：
6.根据权利要求5所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述子树的所述子树重要性，自所述多个子树挑选出所述至少一重要子树的步骤包括：
7.根据权利要求6所述的基于树的机器学习模型的缩减方法，其特征在于，所述多个子树包括多个第一子树，且各个所述第一子树的所述子树重要性小于所述子树重要性统计值，根据各个所述子树的所述子树重要性，自所述多个子树挑选出所述至少一重要子树的步骤包括：
8.根据权利要求5所述的基于树的机器学习模型的缩减方法，其特征在于，根据各个所述子树的所述子树重要性，自所述多个子树挑选出所述至少一重要子树的步骤包括：
9.根据权利要求5所述的基于树的机器学习模型的缩减方法，其特征在于，根据所述至少一重要子树对所述多个子树进行切片选择而获取所述至少一...
【专利技术属性】
技术研发人员：陈世璋，叶肇钧，
申请(专利权)人：财团法人工业技术研究院，
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。