超参数确定方法、装置、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113673174A(43)申请公布日2021.11.19(21)申请号202111050840.5(22)申请日2021.09.08(71)申请人中国平安人寿保险股份有限公司地址518000广东省深圳市福田区福田街道益田路5033号平安金融中心14、15、16、37、41、44、45、46、54、58、59层(72)发明人周靖植(74)专利代理机构深圳市明日今典知识产权代理事务所(普通合伙)44343代理人王杰辉(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2006.01)G06N20/00(2019.01)G06F111/08(2020.01)权利要求书2页说明书11页附图3页(54)发明名称超参数确定方法、装置、设备及存储介质(57)摘要本申请为人工智能技术领域，本申请提供了一种超参数确定方法、装置、设备及存储介质，其中，所述方法包括：将随机生成的第一超参数组配置至机器学习模型中，将训练数据输入该机器学习模型中进行训练，输出第一训练效果，将第一超参数组及第一训练效果输入超参数生成模型中，得到第二超参数组；将第二超参数组配置至机器学习模型中，并将训练数据输入配置了第二超参数组的机器学习模型中进行训练，输出第二训练效果；将第二超参数组及第二训练效果输入超参数生成模型中，得到第三超参数组，循环往复，直至得到超过预设数量的超参数组，并将训练效果评分最高的超参数组筛选为目标超参数组，以通过人工智能的方式自动调整超参数组，提高处理效率。CN113673174ACN113673174A权利要求书1/2页1.一种超参数确定方法，其特征在于，包括：获取机器学习模型，为机器学习模型随机生成多组随机超参数组，其中，每组所述随机超参数组包括一个或多个超参数；调用预先训练好的超参数生成模型分别对每组随机超参数组进行评分，并从所述多组随机超参数组中筛选出评分最高的随机超参数组，得到第一超参数组；将所述第一超参数组配置至所述机器学习模型中，获取训练数据，将所述训练数据输入配置了所述第一超参数组的所述机器学习模型中进行训练，输出第一训练效果；所述第一训练效果包括所述第一超参数组对应的第一训练效果评分；将所述第一超参数组及第一训练效果输入所述超参数生成模型，调用所述超参数生成模型对所述第一超参数组的超参数进行调整，得到第二超参数组；将所述第二超参数组配置至所述机器学习模型中，并将所述训练数据输入配置了所述第二超参数组的所述机器学习模型中进行训练，输出第二训练效果；所述第二训练效果包括所述第二超参数组对应的第二训练效果评分；将所述第二超参数组及第二训练效果输入所述超参数生成模型，调用所述超参数生成模型对所述第二超参数组的超参数进行调整，得到第三超参数组；循环往复，直至得到超过预设数量的超参数组，且没有出现训练效果评分更高的超参数组，则将训练效果评分最高的超参数组筛选为目标超参数组。2.根据权利要求1所述的方法，其特征在于，所述第一训练效果评分包括多个第一训练效果子评分，所述调用所述超参数生成模型对所述第一超参数组的超参数进行调整，得到第二超参数组的步骤，包括：调用所述超参数生成模型提取所述第一训练效果评分的多个第一训练效果子评分；其中，各所述第一训练效果子评分用于评估所述机器学习模型一个维度的训练效果；从所述多个第一训练效果子评分中筛选出评分低于预设值的目标第一训练效果子评分；确定影响所述目标第一训练效果子评分的因子，根据所述因子对所述第一超参数组的超参数进行调整，得到第二超参数组。3.根据权利要求2所述的方法，其特征在于，所述将所述第一超参数组及第一训练效果输入所述超参数生成模型之前，还包括：获取各个所述第一训练效果子评分对应的权重；将各个所述第一训练效果子评分按照对应的权重进行加权求和，得到所述第一训练效果评分。4.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括决策树分类模型，所述将所述训练数据输入配置了所述第一超参数组的所述机器学习模型中进行训练，包括：从所述训练数据中随机抽取N个训练样本；基于决策树算法对所述N个训练样本进行训练，得到N个训练后的决策树分类模型；判断所述N个训练后的决策树分类模型的训练结果是否都满足要求；若是，将所述N个训练后的决策树分类模型进行组合，得到目标机器学习模型；所述目标机器学习模型为完成训练的机器学习模型。2CN113673174A权利要求书2/2页5.根据权利要求4所述的方法，其特征在于，所述训练结果包括损失值，所述判断所述N个训练后的决策树分类模型的训练结果是否都满足要求，包括：利用预设的损失函数分别计算训练后的每个决策树分类模型的损失值；判断所述每个训练后的决策树分类模型的损失值是否都低于预设损失