本發(fā)明涉及建模過程與模型穩(wěn)定性探索，具體涉及一種樹類模型結(jié)構(gòu)評估方法、裝置和設(shè)備。

背景技術(shù)：

1、樹類模型中，一般會提供subsample參數(shù)，通過限制每棵樹的樣本使用量，來降低模型結(jié)果的方差-variance。在對樹類模型進(jìn)行探索時(shí)，在進(jìn)行迭代訓(xùn)練時(shí)，會產(chǎn)生大量訓(xùn)練組合，無法對訓(xùn)練組合進(jìn)行優(yōu)化，導(dǎo)致訓(xùn)練時(shí)間長，訓(xùn)練難度大。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種樹類模型結(jié)構(gòu)評估方法、裝置和設(shè)備，以克服目前在迭代訓(xùn)練時(shí)無法對訓(xùn)練組合進(jìn)行優(yōu)化，導(dǎo)致訓(xùn)練時(shí)間長，訓(xùn)練難度大的問題。

2、為實(shí)現(xiàn)以上目的，本發(fā)明采用如下技術(shù)方案：

3、第一方面，本申請?zhí)峁┝艘环N樹類模型結(jié)構(gòu)評估方法，包括：

4、獲取待評估樣本；

5、根據(jù)所述待評估樣本生成備選組合；

6、獲取基模型，通過所述備選組合對所述基模型進(jìn)行訓(xùn)練，添加相似度懲罰并計(jì)算訓(xùn)練完成后的所述基模型的模型ks均值，根據(jù)所述模型ks均值確定優(yōu)秀組合；

7、根據(jù)所述優(yōu)秀組合進(jìn)行迭代再次生成新的備選組合，直到到達(dá)預(yù)設(shè)迭代輪次后，確定最終的優(yōu)秀組合，并保存模型效果。

8、進(jìn)一步的，以上所述的方法，在所述根據(jù)所述待評估樣本生成備選組合之前，還包括：

9、根據(jù)所述待評估樣本的按渠道特性，對所述待評估樣本進(jìn)行分組并編號。

10、進(jìn)一步的，以上所述的方法，所述獲取基模型，通過所述備選組合對所述基模型進(jìn)行訓(xùn)練，添加相似度懲罰并計(jì)算訓(xùn)練完成后的所述基模型的模型ks均值，根據(jù)所述模型ks均值確定優(yōu)秀組合，包括：

11、獲取基模型，通過所述備選組合對所述基模型進(jìn)行訓(xùn)練；

12、計(jì)算訓(xùn)練完成后的所述基模型的模型ks均值，并根據(jù)所述相似度懲罰，確定最終的所述模型ks均值；

13、根據(jù)最終的所述模型ks均值，進(jìn)行預(yù)設(shè)次數(shù)的篩選，確定預(yù)設(shè)數(shù)量的優(yōu)秀組合。

14、進(jìn)一步的，以上所述的方法，所述根據(jù)所述優(yōu)秀組合進(jìn)行迭代再次生成新的備選組合，直到到達(dá)預(yù)設(shè)迭代輪次后，確定最終的優(yōu)秀組合，并保存模型效果，包括：

15、對基模型訓(xùn)練結(jié)果進(jìn)行緩存；

16、根據(jù)所述優(yōu)秀組合進(jìn)行迭代再次生成新的備選組合；

17、根據(jù)所述新的備選組合對所述基模型進(jìn)行訓(xùn)練，并根據(jù)緩存的所述基模型訓(xùn)練結(jié)果，生成新的基模型訓(xùn)練結(jié)果；

18、計(jì)算所述新的備選組合的模型ks均值，并確定新的優(yōu)秀組合，完成第二輪次的迭代；

19、確定當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)輪次；

20、若是，則保存模型效果。

21、第二方面，本申請?zhí)峁┝艘环N樹類模型結(jié)果評估模型，包括：

22、樣本獲取模塊，用于獲取待評估樣本；

23、備選組合生成模塊，用于根據(jù)所述待評估樣本生成備選組合；

24、優(yōu)秀組合確定模塊，用于獲取基模型，通過所述備選組合對所述基模型進(jìn)行訓(xùn)練，添加相似度懲罰并計(jì)算訓(xùn)練完成后的所述基模型的模型ks均值，根據(jù)所述模型ks均值確定優(yōu)秀組合，根據(jù)所述優(yōu)秀組合通過所述備選組合生成模塊進(jìn)行迭代再次生成新的備選組合；

25、模型效果保存模塊，用于到達(dá)預(yù)設(shè)迭代輪次后，確定最終的優(yōu)秀組合，并保存模型效果。

26、第三方面，本申請?zhí)峁┝艘环N樹類模型結(jié)構(gòu)評估設(shè)備，包括處理器和存儲器，所述處理器與存儲器相連：

27、其中，所述處理器，用于調(diào)用并執(zhí)行所述存儲器中存儲的程序；

28、所述存儲器，用于存儲所述程序，所述程序至少用于執(zhí)行以上任一項(xiàng)所述的樹類模型結(jié)構(gòu)評估方法。

29、本發(fā)明的有益效果為：

30、本申請首先獲取待評估樣本，根據(jù)待評估樣本生成備選組合，獲取基模型，通過備選組合對基模型進(jìn)行訓(xùn)練，添加相似度懲罰并計(jì)算訓(xùn)練完成后的基模型的模型ks均值，根據(jù)模型ks均值確定優(yōu)秀組合，根據(jù)優(yōu)秀組合進(jìn)行迭代再次生成新的備選組合，直到到達(dá)預(yù)設(shè)迭代輪次后，確定最終的優(yōu)秀組合，并保存模型效果。在本申請中，通過添加相似度懲罰并計(jì)算訓(xùn)練完成后的基模型的模型ks均值，根據(jù)模型ks均值確定優(yōu)秀組合，根據(jù)優(yōu)秀組合進(jìn)行迭代再次生成新的備選組合，從而有選擇的剔除掉了效果不好的次序組合，解決了目前在迭代訓(xùn)練時(shí)無法對訓(xùn)練組合進(jìn)行優(yōu)化，導(dǎo)致訓(xùn)練時(shí)間長，訓(xùn)練難度大的問題。

技術(shù)特征：

1.一種樹類模型結(jié)構(gòu)評估方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述根據(jù)所述待評估樣本生成備選組合之前，還包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取基模型，通過所述備選組合對所述基模型進(jìn)行訓(xùn)練，添加相似度懲罰并計(jì)算訓(xùn)練完成后的所述基模型的模型ks均值，根據(jù)所述模型ks均值確定優(yōu)秀組合，包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述優(yōu)秀組合進(jìn)行迭代再次生成新的備選組合，直到到達(dá)預(yù)設(shè)迭代輪次后，確定最終的優(yōu)秀組合，并保存模型效果，包括：

5.一種樹類模型結(jié)果評估模型，其特征在于，包括：

6.一種樹類模型結(jié)構(gòu)評估設(shè)備，其特征在于，包括處理器和存儲器，所述處理器與存儲器相連：

技術(shù)總結(jié)
本發(fā)明涉及建模過程與模型穩(wěn)定性探索技術(shù)領(lǐng)域，具體涉及一種樹類模型結(jié)構(gòu)評估方法、裝置和設(shè)備，其中，所述方法首先獲取待評估樣本，根據(jù)待評估樣本生成備選組合，獲取基模型，通過備選組合對基模型進(jìn)行訓(xùn)練，添加相似度懲罰并計(jì)算訓(xùn)練完成后的基模型的模型KS均值，根據(jù)模型KS均值確定優(yōu)秀組合，根據(jù)優(yōu)秀組合進(jìn)行迭代再次生成新的備選組合，直到到達(dá)預(yù)設(shè)迭代輪次后，確定最終的優(yōu)秀組合，并保存模型效果，從而有選擇的剔除掉了效果不好的次序組合，解決了目前在迭代訓(xùn)練時(shí)無法對訓(xùn)練組合進(jìn)行優(yōu)化，導(dǎo)致訓(xùn)練時(shí)間長，訓(xùn)練難度大的問題。

技術(shù)研發(fā)人員：周培杰,任世鳴,陳振華,高少峰
受保護(hù)的技術(shù)使用者：天創(chuàng)信用服務(wù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19