CN109614987A - 多分类模型优化方法、装置、存储介质及电子设备 - Google Patents

多分类模型优化方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN109614987A
CN109614987A CN201811326459.5A CN201811326459A CN109614987A CN 109614987 A CN109614987 A CN 109614987A CN 201811326459 A CN201811326459 A CN 201811326459A CN 109614987 A CN109614987 A CN 109614987A
Authority
CN
China
Prior art keywords
classification
default
thresholds
evaluation
estimate
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
Application number
CN201811326459.5A
Other languages
English (en)
Inventor
李伟健
王长虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201811326459.5A priority Critical patent/CN109614987A/zh
Publication of CN109614987A publication Critical patent/CN109614987A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种多分类模型优化方法、装置、存储介质及电子设备，包括为多分类模型中的各个预设分类确定各自的分类阈值；根据所述各个预设分类各自的分类阈值对待处理数据进行分类。通过上述技术方案，能够根据实际情况调整多分类模型中不同预设分类的分类阈值，让多分类模型在对数据进行分类时，对于每一个预设分类是否匹配的判断都根据该预设分类单独的分类阈值来进行，从而提高各个预设分类的分类效果，进而提高多分类模型的评价。

Description

多分类模型优化方法、装置、存储介质及电子设备
技术领域
本公开涉及机器学习领域，具体地，涉及一种多分类模型优化方法、装置、存储介质及电子设备。
背景技术
目前，在机器学习过程中经常使用分类模型对大量的数据进行分类处理，分类模型可以分为二分类模型和多分类模型，其中，多分类模型中，针对不同分类通常都会选用固定的分类阈值来进行分类的判断，即在获取数据并对其进行分类处理时，需要在该数据与模型中某一个分类的匹配阈值达到该分类阈值时，才能判定该样本数据属于该分类，且对于每一个分类都是，例如分类阈值定为0.8，有数据A与分类1的匹配程度为0.7、与分类2的匹配程度为0.75，与分类3的匹配程度为0.6，由于数据A与三个分类的匹配程度都没有达到该分类阈值0.8，则该数据A不会被分到任意一个分类中，即使数据A与例如分类1的匹配程度并不低。
因此，由于多分类模型中每个分类的特征并不是完全一致，因此，极有可能会出现一个分类阈值对于某一个分类的分类效果很好，但对于另一个分类的分类效果并不好的情况。且随着多分类模型中分类数量的逐渐增加，对多分类模型中的每一个分类都采用的同一个分类阈值来进行分类判断的做法可能会导致多分类模型的分类效果越来越差，越来越不能满足用户需求，。
发明内容
本公开的目的是提供一种多分类模型优化方法、装置、存储介质及电子设备，能够根据实际情况调整多分类模型中不同分类的分类阈值，从而提高各个分类的分类效果，进而提高多分类模型的评价。
为了实现上述目的，本公开提供一种多分类模型优化方法，所述方法包括：
为多分类模型中的各个预设分类确定各自的分类阈值；
根据所述各个预设分类各自的分类阈值对待处理数据进行分类。
可选地，所述为多分类模型中的各个预设分类确定各自的分类阈值包括：
将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；
对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；
返回所述将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；
将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。
可选地，所述对所述各个预设分类的分类结果进行评价的计算公式为：
其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。
可选地，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。
本公开还提供一种多分类模型的优化装置，所述装置包括：
阈值确定模块，用于为多分类模型中的各个预设分类确定各自的分类阈值；
分类模块，用于根据所述各个预设分类各自的分类阈值对待处理数据进行分类。
可选地，所述阈值确定模块包括：
设定子模块，用于将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；
评价子模块，用于对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；
遍历子模块，用于触发所述设定子模块将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；
阈值确定子模块，用于将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。
可选地，所述评价子模块对所述各个预设分类的分类结果进行评价的计算公式为：
其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。
可选地，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述方法的步骤。
通过上述技术方案，能够根据实际情况调整多分类模型中不同预设分类的分类阈值，让多分类模型在对数据进行分类时，对于每一个预设分类是否匹配的判断都根据该预设分类单独的分类阈值来进行，从而提高各个预设分类的分类效果，进而提高多分类模型的评价。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种多分类模型优化方法的流程图。
图2是根据本公开一示例性实施例示出的又一多分类模型优化方法的流程图。
图3是根据本公开一示例性实施例示出的一种多分类模型优化装置的结构框图。
图4是根据本公开一示例性实施例示出的又一多分类模型优化装置的结构框图。
图5是根据本公开一示例性实施例示出的一种电子设备的结构框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据本公开一示例性实施例示出的一种多分类模型优化方法的流程图。如图1所示，所述方法包括步骤101和步骤102。
在步骤101中，为多分类模型中的各个预设分类确定各自的分类阈值。为该多分类模型中的每个预设分类确定各自的分类阈值，该分类阈值可以是各不相同，也可以是部分相同，也可以是全部相同，根据实际情况的不同，分类阈值可以设置得不同。这样，可以根据多分类模型的实际应用场景中的实际需求来对该多分类模型中不同预设分类的分类阈值进行调整，以使得该多分类模型能够更加符合期望的效果。
在一种可能的实施方式中，将所述多分类模型中的所述多个预设分类的最优分类阈值设置为所述多个预设分类的分类阈值，所述最优分类阈值即为，在使用该分类阈值时，该预设分类的分类效果最优。其中，对于分类效果的评价可以为多种评价指标，在本实施例中不做限制，使用任意评价指标来对该多个预设分类的分类效果进行评价都可。但在对所述多个预设分类的分类效果进行评价时应使用统一评价指标。
在步骤102中，根据所述各个预设分类各自的分类阈值对待处理数据进行分类。在给多分类模型中的多个预设分类分别设置了各自的分类阈值之后，各个预设分类就可以根据各自的分类阈值来对待处理数据进行分类。
通过上述技术方案，能够根据实际情况调整多分类模型中不同预设分类的分类阈值，让多分类模型在对数据进行分类时，对于每一个预设分类是否匹配的判断都根据该预设分类单独的分类阈值来进行，这样就能够通过改变多分类模型中的各个预设分类的分类阈值来提高各个预设分类的分类效果，进而提高多分类模型的评价。
图2是根据本公开一示例性实施例示出的又一多分类模型优化方法的流程图。如图2所示，所述方法包括如图1所示的步骤101和步骤102，其中，所述步骤101中包括步骤201至步骤204。
在步骤201中，将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值。所述预设阈值可以为例如0.4、0.5、0.6等在取值范围(0,1)中的任意数值，多个预设阈值构成所述预设阈值集合，该预设阈值集合中的预设阈值的个数在本公开中不作限制。例如，可以是10个，或者5个等。在预设阈值集合中选择任意一个还没有被遍历过的预设阈值作为该多分类模型中所有预设分类的分类阈值，例如，当预设阈值集合中有一个预设阈值为0.9，且没有被遍历过，则可以选择0.9作为多分类模型中所有预设分类的分类阈值。在这种情况下，在使用该多分类模型对待处理数据进行分类时，只有与各个预设分类的匹配度大于0.9的数据会被分类为该预设分类。
在步骤202中，对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值。在确定了一个预设阈值集合中的预设阈值作为多分类模型中所有预设分类的分类阈值之后，利用采样数据或者训练数据等对该多分类模型进行检验，从而根据该多分类模型的分类结果，得到该多分类模型中各个预设分类的评价值。该评价值可以通过任意分类模型的评价方式来得到，例如，可以为精确率、召回率、或者其他评价方式等。
在一种可能的实施方式中，所述对所述各个预设分类的分类结果进行评价的计算公式为：
其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。β的取值范围为(0,∞)，在本公开中优选为1，从而令精确率与召回率在该评价值中的所占的权重相同。如果需要令精确率在该评价值中占权重更多，则可以调整β的取值小于1，如果需要令召回率在该评价值中占权重更多，则可以调整β的取值大于1。另外，精确率和召回率的计算方法为本领域技术人员所公知的方法，此处就不再赘述。
由此，就能够通过上述计算公式得到能够反映在使用该预设阈值的情况下各个预设分类的分类效果。
在步骤203中，判断预设阈值集合中的所有的预设阈值是否都已遍历，如果是，则转至步骤204，如果否，则转至步骤201，在该预设阈值集合中选择一个没有被遍历过的预设阈值作为多分类模型中各个预设分类的分类阈值，并再次得到各个预设分类与该预设阈值所对应的以得到各个预设分类在使用新选取的预设阈值时分别对应的评价值。
在步骤204中，将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。当预设阈值集合中所有的预设阈值都已经遍历过时，多分类模型中的各个预设分类就都获得了与该预设阈值集合中每一个预设阈值相对应的评价值，根据所获得的评价值中的最优评价值，将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。由此，就确定了该多分类模型中各个预设分类的分类阈值。各个分类阈值之间没有必然的大小关系，可以出现两个或多个预设分类使用相同的分类阈值的情况，也可以出现所有的预设分类使用的分类阈值都不相同的情况，也可以出现所有的预设分类使用的分类阈值都相同的情况。
通过上述技术方案，能够在多个预设阈值中选择能够使得预设分类的分类效果最好的作为该预设分类的分类阈值，从而就能够直接地提高各个预设分类的分类效果，进而提高多分类模型的评价。
在一种可能的实施方式中，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。所述预定评价值的取值范围为(0，100％)，例如可以为70％。该预定评价值可以根据实际情况进行调整，该预定评价值应该为能够在精确率的牺牲范围内使召回率最大化的评价值。
在一种可能的实施方式中，所述方法包括：计算所述各个预设分类在使用不同的预设阈值时分别对应的精确率，并各个预设分类在使用不同的预设阈值时分别对应的精确率中大于预定精确率的精确率所对应的预设阈值确定为合格阈值，并在各个预设分类使用所述合格阈值时分别对应的评价值中选取评价值最高的确定为所述各个预设分类各自的最优评价值。其中，所述预定精确率可以为例如60％。
图3是根据本公开一示例性实施例示出的一种多分类模型的优化装置的结构框图。如图3所示，所述装置包括：阈值确定模块10，用于为多分类模型中的各个预设分类确定各自的分类阈值；分类模块20，用于根据所述各个预设分类各自的分类阈值对待处理数据进行分类。
通过上述技术方案，能够根据实际情况调整多分类模型中不同预设分类的分类阈值，让多分类模型在对数据进行分类时，对于每一个预设分类是否匹配的判断都根据该预设分类单独的分类阈值来进行，这样就能够通过改变多分类模型中的各个预设分类的分类阈值来提高各个预设分类的分类效果，进而提高多分类模型的评价。
图4是根据本公开一示例性实施例示出的一种多分类模型的优化装置的结构框图。如图4所示，所述阈值确定模块10包括：设定子模块101，用于将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；评价子模块102，用于对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；遍历子模块103，用于触发所述设定子模块101将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；阈值确定子模块104，用于将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。
在一种可能的实施方式中，所述评价子模块102对所述各个预设分类的分类结果进行评价的计算公式为：
其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。在本公开中β优选为1。
在一种可能的实施方式中，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备500的框图。例如，电子设备500可以被提供为一服务器。参照图5，电子设备500包括处理器522，其数量可以为一个或多个，以及存储器532，用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器522可以被配置为执行该计算机程序，以执行上述的多分类模型优化的方法。
另外，电子设备500还可以包括电源组件526和通信组件550，该电源组件526可以被配置为执行电子设备500的电源管理，该通信组件550可以被配置为实现电子设备500的通信，例如，有线或无线通信。此外，该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的多分类模型优化的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器532，上述程序指令可由电子设备500的处理器522执行以完成上述的多分类模型优化的方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种多分类模型优化方法，其特征在于，所述方法包括：
为多分类模型中的各个预设分类确定各自的分类阈值；
根据所述各个预设分类各自的分类阈值对待处理数据进行分类。
2.根据权利要求1所述的方法，其特征在于，所述为多分类模型中的各个预设分类确定各自的分类阈值包括：
将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；
对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；
返回所述将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；
将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。
3.根据权利要求2所述的方法，其特征在于，所述对所述各个预设分类的分类结果进行评价的计算公式为：
其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。
4.根据权利要求2所述的方法，其特征在于，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。
5.一种多分类模型的优化装置，其特征在于，所述装置包括：
阈值确定模块，用于为多分类模型中的各个预设分类确定各自的分类阈值；
分类模块，用于根据所述各个预设分类各自的分类阈值对待处理数据进行分类。
6.根据权利要求5所述的装置，其特征在于，所述阈值确定模块包括：
设定子模块，用于将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值，其中，所述预设阈值为预设阈值集合中任意一个未遍历过的预设阈值；
评价子模块，用于对所述各个预设分类的分类结果进行评价，以获取所述各个预设分类各自对应的评价值；
遍历子模块，用于触发所述设定子模块将所述多分类模型中的所述各个预设分类的分类阈值确定为统一的预设阈值的步骤，直到所述预设阈值集合中的所有的预设阈值都已遍历为止，以得到各个预设分类在使用不同的预设阈值时分别对应的评价值；
阈值确定子模块，用于将各个预设分类各自获得最优评价值时所使用的预设阈值确定为所述预设分类的分类阈值。
7.根据权利要求6所述的装置，其特征在于，所述评价子模块对所述各个预设分类的分类结果进行评价的计算公式为：
其中，F为所述评价值，β为预设权重值，Precision为精确率，Recall为召回率。
8.根据权利要求6所述的装置，其特征在于，将所述各个预设分类在使用不同的预设阈值时分别对应的评价值中，最接近预定评价值的评价值确定为所述各个预设分类各自的最优评价值。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
CN201811326459.5A 2018-11-08 2018-11-08 多分类模型优化方法、装置、存储介质及电子设备 Pending CN109614987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811326459.5A CN109614987A (zh) 2018-11-08 2018-11-08 多分类模型优化方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811326459.5A CN109614987A (zh) 2018-11-08 2018-11-08 多分类模型优化方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN109614987A true CN109614987A (zh) 2019-04-12

Family

ID=66003099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811326459.5A Pending CN109614987A (zh) 2018-11-08 2018-11-08 多分类模型优化方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN109614987A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125388A (zh) * 2019-12-30 2020-05-08 北京达佳互联信息技术有限公司 多媒体资源的检测方法、装置及设备和存储介质
CN111339337A (zh) * 2019-12-18 2020-06-26 贵州智诚科技有限公司 一种基于道路交通违法行为判罚标签化处理的方法
CN112561000A (zh) * 2021-02-22 2021-03-26 腾讯科技（深圳）有限公司 基于组合模型的分类方法、装置、设备及存储介质
CN113032628A (zh) * 2021-04-01 2021-06-25 广州虎牙科技有限公司 内容生态指数分割阈值的确定方法、装置、设备和介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845408A (zh) * 2017-10-25 2018-03-27 医渡云（北京）技术有限公司 数据评价方法及装置、存储介质及电子设备
CN107992887A (zh) * 2017-11-28 2018-05-04 东软集团股份有限公司 分类器生成方法、分类方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845408A (zh) * 2017-10-25 2018-03-27 医渡云（北京）技术有限公司 数据评价方法及装置、存储介质及电子设备
CN107992887A (zh) * 2017-11-28 2018-05-04 东软集团股份有限公司 分类器生成方法、分类方法、装置、电子设备及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339337A (zh) * 2019-12-18 2020-06-26 贵州智诚科技有限公司 一种基于道路交通违法行为判罚标签化处理的方法
CN111125388A (zh) * 2019-12-30 2020-05-08 北京达佳互联信息技术有限公司 多媒体资源的检测方法、装置及设备和存储介质
CN111125388B (zh) * 2019-12-30 2023-12-15 北京达佳互联信息技术有限公司 多媒体资源的检测方法、装置及设备和存储介质
CN112561000A (zh) * 2021-02-22 2021-03-26 腾讯科技（深圳）有限公司 基于组合模型的分类方法、装置、设备及存储介质
CN112561000B (zh) * 2021-02-22 2021-05-28 腾讯科技（深圳）有限公司 基于组合模型的分类方法、装置、设备及存储介质
CN113032628A (zh) * 2021-04-01 2021-06-25 广州虎牙科技有限公司 内容生态指数分割阈值的确定方法、装置、设备和介质
CN113032628B (zh) * 2021-04-01 2023-10-17 广州虎牙科技有限公司 内容生态指数分割阈值的确定方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN109614987A (zh) 多分类模型优化方法、装置、存储介质及电子设备
CN107690660B (zh) 图像识别方法及装置
CN107797931B (zh) 一种基于二次评价的软件质量评价方法及系统
CN110309874A (zh) 负样本筛选模型训练方法、数据筛选方法和数据匹配方法
Eskandari et al. FastPGA: A dynamic population sizing approach for solving expensive multiobjective optimization problems
CN111079780A (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN112511342B (zh) 网络切片方法、装置、电子设备及存储介质
CN108764298B (zh) 基于单分类器的电力图像环境影响识别方法
CN111310846A (zh) 一种选取样本图像的方法、装置、存储介质和服务器
WO2021208079A1 (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
CN108615071A (zh) 模型测试的方法及装置
CN102722577B (zh) 指标动态权重的确定方法及装置
CN110365503A (zh) 一种指标确定方法及其相关设备
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN113379059B (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN103559303A (zh) 一种对数据挖掘算法的评估与选择方法
CN112925637A (zh) 用于一边缘运算网络的负载平衡装置及方法
CN109871622A (zh) 一种基于深度学习的低压台区线损计算方法及系统
CN111163487B (zh) 通信波形综合传输性能评价方法及系统
CN109684629B (zh) 文本间相似度计算方法、装置、存储介质及电子设备
CN116596095B (zh) 基于机器学习的碳排放量预测模型的训练方法及装置
CN113037410A (zh) 信道识别方法、装置、传输方法、传输设备、基站、介质
CN111860568B (zh) 数据样本的均衡分布方法、装置及存储介质
CN105895089A (zh) 一种语音识别方法及装置
CN114325454A (zh) 一种多特征对电池健康度影响的确定方法、装置、设备及介质

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: 20190412

RJ01 Rejection of invention patent application after publication