CN109523316A - 商业服务模型的自动化建模方法 - Google Patents
商业服务模型的自动化建模方法 Download PDFInfo
- Publication number
- CN109523316A CN109523316A CN201811364519.2A CN201811364519A CN109523316A CN 109523316 A CN109523316 A CN 109523316A CN 201811364519 A CN201811364519 A CN 201811364519A CN 109523316 A CN109523316 A CN 109523316A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training pattern
- variable
- modeling method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000007418 data mining Methods 0.000 claims abstract description 9
- 238000013499 data model Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000005065 mining Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004321 preservation Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
商业服务模型的自动化建模方法，该方法包括构建模型、训练模型、评估模型、应用模型，并在训练模型和应用模型的过程中进行持续性的数据探索和模型调优；构建模型：通过上传训练集进行清理数据，挖掘数据，转换数据和编写数据，自动化快速匹配算法模型，并提供多个维度评估模型质量；训练模型：利用机器学习技术通过测试集来训练模型；应用模型：将模型应用到真实业务场景中验证模型，通过测试集评估、优化模型完成后根据业务需求输出可视化的图表报告。本发明提供一种针对全行业的涵盖了数据挖掘程序、机器学习、人工智能程序模块的大数据技术自动建模方法。
Description
技术领域
本发明属于信息技术领域，具体涉及自动建模技术。
背景技术
对于日益激烈的市场环境，企业为提高市场竞争力，再生产制造过程，供应链，销售，物流等经营过程中收集数据、分析挖掘，用于过程精细化流程控制，大数据分析和挖掘方法为企业完成大数据落地提供了方法支持。目前市场上的数据建模技术主要还是掌握在数据科学家手上，普通用户不仅无法支付高昂的费用来雇佣他们进行数据挖掘的建模环节，而且找到这样的人来为他们提供这项服务也是有困难的。
发明内容
本发明所要解决的技术问题是：根据给定的数据集，自动进行清理数据，挖掘数据，转换数据和编写数据，最后自动建立统计模型，提供一种针对全行业的涵盖了数据挖掘程序、机器学习、人工智能程序模块的大数据技术自动建模方法。
本发明为解决上述技术问题采用以下技术方案：
商业服务模型的自动化建模方法，该方法包括构建模型、训练模型、评估模型、应用模型，并在训练模型和应用模型的过程中进行持续性的数据探索和模型调优；
构建模型：通过上传训练集进行清理数据，挖掘数据，转换数据和编写数据，自动化快速匹配算法模型，并提供多个维度评估模型质量；
训练模型：利用机器学习技术通过测试集来训练模型；
应用模型：将模型应用到真实业务场景中验证模型，通过测试集评估、优化模型完成后根据业务需求输出可视化的图表报告。
a.构建模型过程依次包括：上传数据，合并数据集，用户变量映射到模型变量，变量转换，创建目标变量，数据格式初步处理，数据缺失处理，数据离散值处理，数据分段处理，数据分类，参数特征选择，建立模型，选择算法模型，模型评估，输出模型数据，保存模型，输出可视化智能报告。
b.所述训练模型步骤为选择已经构建好的模型，按照所述构建模型的步骤上传测试集不断训练模型，往复不断的进行各个步骤的的调优，评估模型、优化模型。
c.按照所述训练模型的步骤进行实际的场景应用，选择已构建的模型，根据实际应用导入数据，在场景应用过程中优化数据模型。
进一步的，所述上传数据步骤包括：多数据源接入，建立数据宽表，利用数据库技术将数据引入到所述数据宽表中，并通过相关逻辑关系进行汇总计算。
进一步的，所述创建目标变量过程包括：按照按照时间序列在各个时间点上形成的数值序列，通过观察历史数据预测未来的值。
进一步的，所述模型评估的方法为从多个维度通过雷达图的形式进行对比，评估模型，然后根据雷达图选择需要的模型。
进一步的，判断是否构建目标变量，如不构建目标变量直接进入数据格式初步处理，如构建目标变量则创建目标变量后再进入数据格式初步处理流程。
进一步的，判断是否构进行数据分类，如不进行数据分类直接进入参数特征值选择，如进行数据分类，则进行数据分类后再进入参数特征值选择。
与现有技术相比，本发明具有以下有益效果：
1.在自动化建模各个环节都可以不断地循环往复的进行数据探索和模型的调优；选择已经构建好的模型，按照步骤上传测试集不断训练模型，可以往复不断的进行各个步骤的的调优，评估模型、优化模型，使数据分析结果更加精准。
2.与真实业务场景打通，通过建立模型、训练模型、评估模型，直接应用到真实场景当中，即时可视化的应用。
3.通过测试集评估、优化模型完成后，按照步骤应用到真实业务场景中，根据业务需求输出可视化的图表报告，智能展示分析结果。
4.实现大数据云平台的无缝对接，整合文件(CSV、excel等)、数据库(access、mysql、oracle、sqlserver、DB2，sybase等)、应用端口(支持CRM、OA、ERP等)等数据源，让已有的数据云平台支持数据驱动的商业应用；
5.模型构建效率大大提高，几个小时就可以构建上百个模型，建模速度提升30倍以上；
6.建立模型及参数调整灵活性高，可适时的构建模型、训练模型、评估模型，最终将最优模型应用到实际业务场景中。
附图说明
图1是自动化建模总体流程图。
图2是构建模型流程图。
图3是训练模型流程图。
图4是应用模型流程图。
图5是多维度雷达图。
具体实施方式
以基于客户流失模型的自动化建模流程作为实施例进行进一步说明：
如图1：自动建模的总体流程包括：构建模型-训练模型-应用模型，在构建模型-训练模型-应用模型三个环节中，每个环节都评估模型流程，通过模型评估(模型对比)进行持续性的数据探索和模型调优。
(一)构建模型：
客户流失模型构建过程如图2：构建模型过程依次包括：上传数据，合并数据集，用户变量映射到模型变量，变量转换，创建目标变量，数据格式初步处理，数据缺失处理，数据离散值处理，数据分段处理，数据分类，参数特征选择，建立模型，选择算法模型，模型评估，输出模型数据，保存模型，输出可视化智能报告。
1.上传数据(upload data)
多数据源接入，具体接入的数据源包括：
①文件：CSV、excel等多种文件类型的数据接入；
②数据库：access、mysql、oracle、sqlserver、DB2，sybase等多种关系数据库的数据接入；
③应用端口：CRM、OA、ERP等多种系统数据源接入。
2.合并数据集(merge data)
基于数据分析需要，找到接入的相关数据，建立一张数据宽表，利用数据仓库技术将数据引入到这张宽表当中，基于一定的逻辑关系进行汇总计算。该数据宽表作为数据分析的基础，再依据数据分析需要衍生出不同的表单，为数据分析提供全面的数据源。
宽表一方面是用于集中相关分析数据，一方面是提高效率，不需要每次分析时都查询其他的数据表，影响数据仓库效率。
3.变量映射(map variables)
按照一定规范标准定义模型变量，识别已经上传的用户变量，识别不符合规范的用户变量，然后用户可自行将不能识别的用户变量进行重新定义。
4.变量转换(transform data)
对字符串变量的列以分隔符的方式进行拆分、聚合，把原始数据转换成为适合数据挖掘的形式。
5.创建目标变量(target variables)
按照时间序列在各个时间点上形成的数值序列，通过观察历史数据预测未来的值
根据需要选择是否创建目标变量，如创建目标变量选择相关参数(时间长度、时间周期、时间点及观察点)，最后根据时间区间确定时间段，按照时间序列在各个时间点上形成的数值序列，通过观察历史数据预测未来的值。
6.数据格式初步处理(preliminary data)
由于原始数据存在数据不一致、重复、含噪声、纬度高等问题，需要进行数据格式初步处理，数据格式初步处理的步骤包括数据清洗、数据集成、数据变换、数据规约等。
(1)数据清洗：去噪声和无关数据；
(2)数据集成：将多个数据源中的数据结合起来存放在一个一致的数据存储中。
(3)数据变换：把原始数据转换成为适合数据挖掘的形式。
(4)数据规约：降低无效，错误数据对建模的影响，提高建模的准确性。少量且代表性的数据将大幅缩减数据挖掘所需时间，降低存储数据成本。主要方法包括：数据立方体聚集，维度归约，数据压缩，数值归约，离散化和概念分层等。
7.数据缺失值处理(miss data)
通过数据分析处理，统计每行、每列数据缺失值的分布情况，缺失处理有三种处理方式：
第一种是选择缺失值百分比，直接去除大于此百分数的缺失变量；
第二种是由于缺失值的数据删除会造成数据的浪费，而且有时候可能数据本来就不多，删除包含缺失值的数据之后数据就更少了，这将会影响我们训练出来模型的泛化能力，为了避免这种情况，可选择性的排除相关变量；
第三种是前两中方式相结合，用户在通过第一种方式排除相关变量后，同时也可以选择性的删除或者排除其他变量。
8.数据离散值处理(outlier data)
通过平均值(mean)、边界值(boundary value)等方式对数值变量进行离散化。
9.数据分段处理(codify data)
通过等频法、等距法等分段方式对编码列按照需要分成n段。
10.数据分类(segment data)
通过相关可靠的数据处理技术，通过数据分类算法将变量归类和分类。用户可以选择是否进行数据分类，归类和分类的目的是减少样本的变量，如果需要分类将通过数据分类方式Role Based、K-Means等进行分类。可以依据经验将某些自变量分成几类，或者连续型变量变成离散型变量方法来简化模型。
11.参数特征值选择(feature selection)
根据变量相关性强弱进行排序，可根据变量权重选择变量。
数据分析过程中会有成百上千的变量，一般情况下只有少数变量同目标变量有关，排序有助于提高预测精度。通常建模分析时，有意义的变量不会超过10-15个，称他们为强相关变量(聪明变量)。两种变量选择方式为：
第一种方式：利用变量过滤器的方法自动来选择变量。常见的变量过滤器应用场景如下：一般IV值大于0.3代表变量的预测力较强，可以采用。
第二种方式：根据由强到弱对变量相关性进行排序，将变量分为四类：强相关性预测变量、中等强度相关预测变量、弱相关预测变量、无相关预测变量，系统自动默认相关性预测变量由强到弱进行排序。用户可以根据变量权重手动对变量进行选择，过滤去除相关变量。
12.建立模型(build model)
根据不同的算法组合，预处理步骤、特征、转换和调整参数等，在几个小时内，一次性构建上百个模型。
13.选择算法模型(select model)
根据预处理步骤、特征、转换和调整参数等，对各种模型进行由优到劣进行排序，用户可选择多个模型进行对比。
14.模型评估(comparison model)
如图5：从多个维度通过雷达图的形式进行对比，评估模型，然后根据雷达图选择需要的模型，还可以根据需要导出维度数据。
雷达图维度注释：
Accuracy：总样本中能够被正确识别的样本所占比例。
AUC：ROC曲线下的面积，随机抽取一个正样本和一个负样本，分类器正确给出正样本的score高于负样本的概率。
Balanced accuracy：当数据集不平衡时(某种标签样本含量太少)，该系数会比Accuracy更好的反应模型精确度。
Specificity：阴性样本中能够被正确识别的样本所占比例。
Precision：被识别为阳性的样本中识别正确的样本所占的比例。
Recall：阳性样本中能够被正确识别的样本所占比例。
F1：Precision和recall的调和平均值，常用于机器学习中。
15.输出模型数据(output data)
根据雷达图确定模型，确定模型完成后进入建模数据导出流程，输入数据库URL、端口号、数据库名、用户名、密码、命名输出表名，将导出的表保存到已有数据库中。
16.保存模型(save model)
数据输出完成后，如果保存模型请输入模型名称，模型保存后就可以在测试模型后直接选择已保存的模型进行测试，或者直接应用模型。
16.输出可视化结果(publish visual result)
保存完成后将会进入客户流失可视化结果，通过可视化报告可以查看已流失客户量，预测流失客户量，预测流失客户分布图，预测流失客户细分及预测流失客户概略等，预测短期内最有可能流失的客户，帮助建模人员初步了解输出结果情况。
(二)训练模型：如图3，训练模型步骤为选择已经构建好的模型，按照构建模型的步骤上传测试集不断训练模型，往复不断的进行各个步骤的的调优，评估模型、优化模型。
(三)应用模型：如图4，按照训练模型(或构建模型)的步骤进行实际的场景应用，选择已构建的模型，根据实际应用导入数据，在场景应用过程中优化数据模型。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (7)
1.商业服务模型的自动化建模方法，其特征在于，该方法包括构建模型、训练模型、评估模型、应用模型，并在训练模型和应用模型的过程中进行持续性的数据探索和模型调优；
a.构建模型：通过上传训练集进行清理数据，挖掘数据，转换数据和编写数据，自动化快速匹配算法模型，并提供多个维度评估模型质量；
b.训练模型：利用机器学习技术通过测试集来训练模型；
c.应用模型：将模型应用到真实业务场景中验证模型，通过测试集评估、优化模型完成后根据业务需求输出可视化的图表报告。
2.根据权利要求1所述的商业服务模型的自动化建模方法，其特征在于，
a.构建模型过程依次包括：上传数据，合并数据集，用户变量映射到模型变量，变量转换，创建目标变量，数据格式初步处理，数据缺失处理，数据离散值处理，数据分段处理，数据分类，参数特征选择，建立模型，选择算法模型，模型评估，输出模型数据，保存模型，输出可视化智能报告。
b.所述训练模型步骤为选择已经构建好的模型，按照所述构建模型的步骤上传测试集不断训练模型，往复不断的进行各个步骤的的调优，评估模型、优化模型。
c.按照所述训练模型的步骤进行实际的场景应用，选择已构建的模型，根据实际应用导入数据，在场景应用过程中优化数据模型。
3.根据权利要求1所述的商业服务模型的自动化建模方法，其特征在于，所述上传数据步骤包括：多数据源接入，建立数据宽表，利用数据库技术将数据引入到所述数据宽表中，并通过相关逻辑关系进行汇总计算。
4.根据权利要求2所述的商业服务模型的自动化建模方法，其特征在于，所述创建目标变量过程包括：按照按照时间序列在各个时间点上形成的数值序列，通过观察历史数据预测未来的值。
5.根据权利要求2所述的商业服务模型的自动化建模方法，其特征在于，所述模型评估的方法为从多个维度通过雷达图的形式进行对比，评估模型，然后根据雷达图选择需要的模型。
6.根据权利要求2所述的商业服务模型的自动化建模方法，其特征在于，判断是否构建目标变量，如不构建目标变量直接进入数据格式初步处理，如构建目标变量则创建目标变量后再进入数据格式初步处理流程。
7.根据权利要求2所述的商业服务模型的自动化建模方法，其特征在于，判断是否构进行数据分类，如不进行数据分类直接进入参数特征值选择，如进行数据分类，则进行数据分类后再进入参数特征值选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364519.2A CN109523316A (zh) | 2018-11-16 | 2018-11-16 | 商业服务模型的自动化建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364519.2A CN109523316A (zh) | 2018-11-16 | 2018-11-16 | 商业服务模型的自动化建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523316A true CN109523316A (zh) | 2019-03-26 |
Family
ID=65777886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811364519.2A Pending CN109523316A (zh) | 2018-11-16 | 2018-11-16 | 商业服务模型的自动化建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523316A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442637A (zh) * | 2019-06-18 | 2019-11-12 | 北京易莱信科技有限公司 | 一种基于可视化图形的模型构建方法及系统 |
| CN110928879A (zh) * | 2019-11-20 | 2020-03-27 | 贵州电网有限责任公司电力科学研究院 | 宽表生成方法及装置 |
| CN110991656A (zh) * | 2019-12-23 | 2020-04-10 | 深圳前海黑顿科技有限公司 | 一种以场景变量作为构成元素与交互单元的机器学习方法 |
| CN111079937A (zh) * | 2019-11-15 | 2020-04-28 | 苏州金智渠信息技术有限公司 | 一种快速建模的方法 |
| CN111177495A (zh) * | 2019-12-05 | 2020-05-19 | 北京永洪商智科技有限公司 | 一种智能识别数据内容并生成相应行业报告的方法 |
| CN111814864A (zh) * | 2020-07-03 | 2020-10-23 | 北京中计新科仪器有限公司 | 一种质谱分析数据人工智能云平台系统及数据分析方法 |
| CN112200538A (zh) * | 2020-10-10 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112508119A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 特征挖掘组合方法、装置、设备及计算机可读存储介质 |
| CN112529023A (zh) * | 2019-09-18 | 2021-03-19 | 上海钛空猫智能科技有限公司 | 一种配置化的人工智能场景应用研发方法和系统 |
| CN112667737A (zh) * | 2020-12-23 | 2021-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于大数据分析组件快速自定义图表展现方法、装置及存储介质 |
| CN112949214A (zh) * | 2021-04-25 | 2021-06-11 | 顶象科技有限公司 | 机器学习建模方法、可视化建模平台及电子设备 |
| CN113609177A (zh) * | 2021-08-10 | 2021-11-05 | 东南大学 | 一种园区级数据增值服务的场景构建及评价方法 |
| CN114754973A (zh) * | 2022-05-23 | 2022-07-15 | 中国航空工业集团公司哈尔滨空气动力研究所 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
| CN111984636B (zh) * | 2020-07-06 | 2023-06-16 | 苏州研数信息科技有限公司 | 数据建模方法和装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030212678A1 (en) * | 2002-05-10 | 2003-11-13 | Bloom Burton H. | Automated model building and evaluation for data mining system |
| CN101169798A (zh) * | 2007-12-06 | 2008-04-30 | 中国电信股份有限公司 | 一种数据挖掘系统和方法 |
| CN101620691A (zh) * | 2008-06-30 | 2010-01-06 | 上海全成通信技术有限公司 | 电信业自动化数据挖掘平台 |
| CN107038167A (zh) * | 2016-02-03 | 2017-08-11 | 普华诚信信息技术有限公司 | 基于模型评估的大数据挖掘分析系统及其分析方法 |
| CN108509644A (zh) * | 2018-04-12 | 2018-09-07 | 成都优易数据有限公司 | 一种具备模型预警更新机制的数据挖掘方法 |
| CN108537273A (zh) * | 2018-04-08 | 2018-09-14 | 焦点科技股份有限公司 | 一种针对不均衡样本执行自动化机器学习的方法 |
-
2018
- 2018-11-16 CN CN201811364519.2A patent/CN109523316A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030212678A1 (en) * | 2002-05-10 | 2003-11-13 | Bloom Burton H. | Automated model building and evaluation for data mining system |
| CN101169798A (zh) * | 2007-12-06 | 2008-04-30 | 中国电信股份有限公司 | 一种数据挖掘系统和方法 |
| CN101620691A (zh) * | 2008-06-30 | 2010-01-06 | 上海全成通信技术有限公司 | 电信业自动化数据挖掘平台 |
| CN107038167A (zh) * | 2016-02-03 | 2017-08-11 | 普华诚信信息技术有限公司 | 基于模型评估的大数据挖掘分析系统及其分析方法 |
| CN108537273A (zh) * | 2018-04-08 | 2018-09-14 | 焦点科技股份有限公司 | 一种针对不均衡样本执行自动化机器学习的方法 |
| CN108509644A (zh) * | 2018-04-12 | 2018-09-07 | 成都优易数据有限公司 | 一种具备模型预警更新机制的数据挖掘方法 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442637B (zh) * | 2019-06-18 | 2024-02-27 | 北京易莱信科技有限公司 | 一种基于可视化图形的模型构建方法及系统 |
| CN110442637A (zh) * | 2019-06-18 | 2019-11-12 | 北京易莱信科技有限公司 | 一种基于可视化图形的模型构建方法及系统 |
| CN112529023A (zh) * | 2019-09-18 | 2021-03-19 | 上海钛空猫智能科技有限公司 | 一种配置化的人工智能场景应用研发方法和系统 |
| CN111079937A (zh) * | 2019-11-15 | 2020-04-28 | 苏州金智渠信息技术有限公司 | 一种快速建模的方法 |
| CN110928879A (zh) * | 2019-11-20 | 2020-03-27 | 贵州电网有限责任公司电力科学研究院 | 宽表生成方法及装置 |
| CN111177495A (zh) * | 2019-12-05 | 2020-05-19 | 北京永洪商智科技有限公司 | 一种智能识别数据内容并生成相应行业报告的方法 |
| CN110991656B (zh) * | 2019-12-23 | 2023-02-21 | 深圳前海黑顿科技有限公司 | 一种以场景变量作为构成元素与交互单元的机器学习方法 |
| CN110991656A (zh) * | 2019-12-23 | 2020-04-10 | 深圳前海黑顿科技有限公司 | 一种以场景变量作为构成元素与交互单元的机器学习方法 |
| CN111814864A (zh) * | 2020-07-03 | 2020-10-23 | 北京中计新科仪器有限公司 | 一种质谱分析数据人工智能云平台系统及数据分析方法 |
| CN111984636B (zh) * | 2020-07-06 | 2023-06-16 | 苏州研数信息科技有限公司 | 数据建模方法和装置、设备及存储介质 |
| CN112200538A (zh) * | 2020-10-10 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112508119A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 特征挖掘组合方法、装置、设备及计算机可读存储介质 |
| CN112508119B (zh) * | 2020-12-16 | 2024-04-05 | 平安银行股份有限公司 | 特征挖掘组合方法、装置、设备及计算机可读存储介质 |
| CN112667737A (zh) * | 2020-12-23 | 2021-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于大数据分析组件快速自定义图表展现方法、装置及存储介质 |
| CN112949214A (zh) * | 2021-04-25 | 2021-06-11 | 顶象科技有限公司 | 机器学习建模方法、可视化建模平台及电子设备 |
| CN112949214B (zh) * | 2021-04-25 | 2023-07-21 | 顶象科技有限公司 | 机器学习建模方法、可视化建模平台及电子设备 |
| CN113609177A (zh) * | 2021-08-10 | 2021-11-05 | 东南大学 | 一种园区级数据增值服务的场景构建及评价方法 |
| CN114754973A (zh) * | 2022-05-23 | 2022-07-15 | 中国航空工业集团公司哈尔滨空气动力研究所 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109523316A (zh) | 商业服务模型的自动化建模方法 | |
| CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
| CN108459955B (zh) | 基于深度自编码网络的软件缺陷预测方法 | |
| CN104008143B (zh) | 基于数据挖掘的职业能力指标体系构建方法 | |
| CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
| CN106022477A (zh) | 智能分析决策系统及方法 | |
| CN108170769A (zh) | 一种基于决策树算法的装配制造质量数据处理方法 | |
| CN111636891B (zh) | 盾构姿态实时预测系统和预测模型的构建方法 | |
| CN111695747A (zh) | 智能派工方法、装置及计算机可读储存介质 | |
| CN112756759A (zh) | 点焊机器人工作站故障判定方法 | |
| CN117172509B (zh) | 基于装修施工进度分析的施工项目分配系统 | |
| CN111754317A (zh) | 一种金融投资数据测评方法及系统 | |
| CN105844398A (zh) | 一种基于plm数据库面向dpipp产品族的挖掘算法 | |
| CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
| CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN111814528A (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
| CN114818353A (zh) | 一种基于故障特征关系图谱的列控车载设备故障预测方法 | |
| CN113268370B (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
| CN107798137B (zh) | 一种基于可加模型的多源异构数据融合架构系统 | |
| Subrahmanya et al. | Advanced machine learning methods for production data pattern recognition | |
| CN115481841A (zh) | 基于特征提取和改进随机森林的物资需求预测方法 | |
| CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
| CN115660296B (zh) | 一种基于机器学习的不合规项目建议方案自动出具方法 | |
| CN116541786A (zh) | 基于驾驶行为的网约车识别方法、装置及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |
|
| RJ01 | Rejection of invention patent application after publication |