【技术实现步骤摘要】
所属的技术人员能够理解，本专利技术的各个方面可以实现为系统、方法或程序产品。因此，本专利技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图9来描述根据本专利技术的这种实施方式的分类模型训练装置900。图9所示的分类模型训练装置900仅仅是一个示例，不应对本专利技术实施例的功能和使用范围带来任何限制。分类模型训练装置900以硬件模块的形式表现。分类模型训练装置900的组件可以包括但不限于：第一模型训练模块902，用于基于初始训练样本对第一模型进行训练，生成基础分类模型；获取模块904，用于获取基础分类模型对初始训练样本的分类结果；第二模型训练模块906，用于将分类结果中的预测正样本确定为增强训练样本，将基础分类模型的分类特征确定为训练特征，将预测正样本中的真正例和假正例进行分离确定为训练目标，对第二模型进行训练，生成增强分类模型，以由增强分类模型生成筛选规则，筛选规则用于从增强训练样本中筛选出多个目标子集，多个目标子集的精确...
【技术保护点】
1.一种分类模型训练方法，其特征在于，包括：
2.根据权利要求1所述的分类模型训练方法，其特征在于，所述将所述分类结果中的预测正样本确定为增强训练样本包括：
3.根据权利要求2所述的分类模型训练方法，其特征在于，所述将所述基础分类模型的分类特征确定为训练特征包括：
4.根据权利要求3所述的分类模型训练方法，其特征在于，所述第二模型为决策树分类模型，所述对第二模型进行训练，生成增强分类模型包括：
5.根据权利要求4所述的分类模型训练方法，其特征在于，
6.根据权利要求4所述的分类模型训练方法，其特征在于，所述由...
【技术特征摘要】
1.一种分类模型训练方法，其特征在于，包括：
2.根据权利要求1所述的分类模型训练方法，其特征在于，所述将所述分类结果中的预测正样本确定为增强训练样本包括：
3.根据权利要求2所述的分类模型训练方法，其特征在于，所述将所述基础分类模型的分类特征确定为训练特征包括：
4.根据权利要求3所述的分类模型训练方法，其特征在于，所述第二模型为决策树分类模型，所述对第二模型进行训练，生成增强分类模型包括：
5.根据权利要求4所述的分类模型训练方法，其特征在于，
6.根据权利要求4所述的分类模型训练方法，其特征在于，所述由所述增强分类模型生成筛选规则包括：
7.根据权利要求1至6中任一项所述的分类模型训练方法，其特征在于，所述基于初始训练样本对第一...
【专利技术属性】
技术研发人员：程亚楠，
申请(专利权)人：北京京东乾石科技有限公司，
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。