【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
【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...
【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。