CN110390393A - 模型特征筛选方法及装置、可读存储介质 - Google Patents

模型特征筛选方法及装置、可读存储介质 Download PDF

Info

Publication number
CN110390393A
CN110390393A CN201910590474.9A CN201910590474A CN110390393A CN 110390393 A CN110390393 A CN 110390393A CN 201910590474 A CN201910590474 A CN 201910590474A CN 110390393 A CN110390393 A CN 110390393A
Authority
CN
China
Prior art keywords
model
feature
group
screening
candidate feature
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
CN201910590474.9A
Other languages
English (en)
Inventor
赵劼铖
张俊
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.)
Shanghai Lake Information Technology Co Ltd
Original Assignee
Shanghai Lake Information 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 Shanghai Lake Information Technology Co Ltd filed Critical Shanghai Lake Information Technology Co Ltd
Priority to CN201910590474.9A priority Critical patent/CN110390393A/zh
Publication of CN110390393A publication Critical patent/CN110390393A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种模型特征筛选方法及装置、可读存储介质，所述模型特征筛选方法包括：步骤1，采用第i组候选特征建立对应的第i个模型；i大于等于1；步骤2，对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；步骤3，根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；步骤4，将所述第i+1组候选特征作为所述第i组候选特征，重复执行步骤1至步骤3，直至所有所述不符合预设条件的特征被排除，得到目标特征。采用上述方案，可以准确筛选出有效的模型特征。

Description

模型特征筛选方法及装置、可读存储介质
技术领域
本发明属于机器学习技术领域，特别涉及一种模型特征筛选方法及装置、可读存储介质。
背景技术
特征选择(Feature Selection)也称特征子集选择(Feature Subset Selection，FSS)，或属性选择(Attribute Selection)。特征选择是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高学习算法性能的一个重要手段，也是模式识别中关键的数据预处理步骤。对于一个学习算法来说，好的学习样本是训练模型的关键。
例如，在金融风险识别领域，特征抽取是对信用风险建模的非常关键的环节。有效准确的特征可以为风险识别提供多尺度、多方向的精细描述，表现出很强的刻画细节的能力。有效准确的特征不仅可以有效识别出不同客户之间的关联关系，还可以抵抗无效特征对风险识别准确度的影响。
因此，在模式识别问题中，特征选择的基本任务是如何从众多特征中找出最有效的特征，分析各种特征的有效性并选出最有代表性的特征。现有的特征选择方法包括：去掉取值变化小的特征选择方法、单变量特征选择方法、皮尔森相关系数选择方法以及距离相关系数选择方法等，但是，上述方法均无法对具体的模式识别问题进行准确地特征选择。
发明内容
本发明实施例解决的是无法准确筛选出有效的模型特征的技术问题。
为解决上述技术问题，本发明实施例提供一种模型特征筛选方法，包括：步骤1，采用第i组候选特征建立对应的第i个模型；i大于等于1；步骤2，对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；步骤3，根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；步骤4，将所述第i+1组候选特征作为所述第i组候选特征，重复执行步骤1至步骤3，直至所有所述不符合预设条件的特征被排除，得到目标特征。
可选的，所述第i个模型采用以下至少一种建模算法：GBDT以及深度神经网络算法。
可选的，采用如下公式描述所述第i个模型的算法：y＝f(x1,x2,x3,…,xm)；其中，y为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征。
可选的，采用以下至少一种模型解释工具对所述第i个模型进行模型解释：SHAP以及Shapley Value。
可选的，采用如下公式对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献：g(u1,u2,u3,…,um)＝w1*u1+w2*u2+…+wm*um＝f(x1,x2,x3,…,xm)；其中，g(u1,u2,u3,…,um)为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征，u1,u2,u3,…,um分别为x1,x2,x3,…,xm在所述第i个模型中的特征贡献，w1,w2,…,wm∈{0,1}。
可选的，采用以下至少一种方法对所述第i组候选特征进行筛选：特征贡献筛选、Lasso算法筛选特征以及基于特征贡献稳定性的特征筛选。
为解决上述技术问题，本发明实施例还公开了一种模型特征筛选装置，包括：建立单元，用于执行步骤1：采用第i组候选特征建立对应的第i个模型；i大于等于1；解释单元，用于执行步骤2：对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；筛选单元，用于执行步骤3：根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；重复单元，用于将所述第i+1组候选特征作为所述第i组候选特征，使得建立单元、解释单元以及筛选单元分别重复执行步骤1至步骤3，直至所有所述不符合预设条件的特征被排除，得到目标特征。
可选的，所述第i个模型采用以下至少一种建模算法：GBDT以及深度神经网络算法。
可选的，所述建立单元，采用如下公式描述所述第i个模型的算法：y＝f(x1,x2,x3,…,xm)；其中，y为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征。
可选的，所述解释单元，采用以下至少一种模型解释工具对所述第i个模型进行模型解释：SHAP以及Shapley Value。
可选的，所述解释单元，采用如下公式对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献：g(u1,u2,u3,…,um)＝w1*u1+w2*u2+…+wm*um＝f(x1,x2,x3,…,xm)；其中，g(u1,u2,u3,…,um)为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征，u1,u2,u3,…,um分别为x1,x2,x3,…,xm在所述第i个模型中的特征贡献，w1,w2,…,wm∈{0,1}。
可选的，所述筛选单元，采用以下至少一种方法对所述第i组候选特征进行筛选：特征贡献筛选、Lasso算法筛选特征以及基于特征贡献稳定性的特征筛选。
本发明实施例还公开了一种可读存储介质，可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的模型特征筛选方法的步骤。
本发明实施例还提供了一种模型特征筛选装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的模型特征筛选方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
步骤1，采用第i组候选特征建立对应的第i个模型；i大于等于1；步骤2，对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；步骤3，根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；步骤4，将所述第i+1组候选特征作为所述第i组候选特征，重复执行步骤1至步骤3，直至所有所述不符合预设条件的特征被排除，得到目标特征。根据实际应用中的具体问题，采用候选特征建立相应的模型，再获取特征贡献并根据用户的实际需要进行特征筛选，剔除了不符合识别模型要求的特征，提高了模型算法的准确度。
附图说明
图1是本发明实施例中的一种模型特征筛选方法的流程图；
图2是本发明实施例中的一种模型特征筛选装置的结构示意图。
具体实施方式
现有技术中，在模式识别问题中，特征选择的基本任务是如何从众多特征中找出最有效的特征，分析各种特征的有效性并选出最有代表性的特征。现有的特征选择方法包括：去掉取值变化小的特征选择方法、单变量特征选择方法、皮尔森相关系数选择方法以及距离相关系数选择方法等，但是，上述方法均无法对具体的模式识别问题进行准确地特征选择。
本发明实施例中，步骤1，采用第i组候选特征建立对应的第i个模型；i大于等于1；步骤2，对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；步骤3，根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；步骤4，将所述第i+1组候选特征作为所述第i组候选特征，重复执行步骤1至步骤3，直至所有所述不符合预设条件的特征被排除，得到目标特征。根据实际应用中的具体问题，采用候选特征建立相应的模型，再获取特征贡献并根据用户的实际需要进行特征筛选，剔除了不符合识别模型要求的特征，提高了模型算法的准确度。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种模型特征筛选方法，参照图1，以下通过具体步骤进行详细说明。
步骤1，采用第i组候选特征建立对应的第i个模型。
在具体实施中，i大于等于1。例如，可以将所有获取到的特征作为第1组候选特征，进而建立对应的第1个模型。可以理解的是，候选特征可以是所有获取到的特征，也可以是根据实际应用需求，将获取到的特征进行筛选而得到的特征，本发明在此不作限定。
在具体实施中，第i个模型可以采用梯度下降树算法(Gradient BoostingDecision Tree，GBDT)及其变种算法，也可以采用深度神经网络算法等相关算法，还可以组合上述模型算法作为建模算法，本发明在此不作限定。
在具体实施中，采用如下公式(1)描述所述第i个模型的算法：
y＝f(x1,x2,x3,…,xm)； (1)
其中，y为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征。
步骤2，对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献。
在实际应用中，模型解释可以清楚地指出是哪些特征(Features)对结果做出了贡献，每个特征的贡献是多少，从而得出为何模型是这样预测的。现有的模型解释工具包括SHAP、Shapley Value等。
在具体实施中，可以采用以下至少一种模型解释工具对所述第i个模型进行模型解释：SHAP以及Shapley Value。
在具体实施中，采用如下公式(2)对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献：
g(u1,u2,u3,…,um)＝w1*u1+w2*u2+…+wm*um＝f(x1,x2,x3,…,xm)； (2)
其中，g(u1,u2,u3,…,um)为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征，u1,u2,u3,…,um分别为x1,x2,x3,…,xm在所述第i个模型中的特征贡献，可以预设w1,w2,…,wm的值，且w1,w2,…,wm∈{0,1}。
步骤3，根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征。
在具体实施中，可以采用以下至少一种方法对所述第i组候选特征进行筛选：特征贡献筛选、Lasso算法筛选特征以及基于特征贡献稳定性的特征筛选。
在实际应用中，预设条件可以是第i个模型的稳定程度条件，也可以是模型变量的数量达到阈值的条件，还可以是用户的其他业务需求所要求的条件，本发明在此不作限定。
步骤4，判断是否有不符合预设条件的特征被排除。若是，进入步骤5；若否进入步骤6。
步骤5，将所述第i+1组候选特征作为所述第i组候选特征。重复执行上述步骤1至步骤4。
步骤6，得到目标特征。
在本发明一实施例中，当i等于1，将第2组候选特征作为所述第1组候选特征，采用第2组候选特征建立对应的第2个模型。之后，对第2个模型进行模型解释，得到所述第2组候选特征中每一个特征对应的特征贡献。再根据所述每一个特征对应的特征贡献，对所述第2组候选特征进行筛选，排除不符合预设条件的特征，得到第3组候选特征。此时，将第组候选特征作为所述第2组候选特征，重复执行上述步骤，直至所有所述不符合预设条件的特征被排除，得到目标特征。
可以理解的是，根据实际的应用需求，对预设条件的严格程度进行调整，以控制特征筛选过程中的循环次数，进而使得到的目标特征符合实际需求。例如，金融风控领域中的目标特征要求较高，需要设定较严格的预设条件来筛选出符合条件的目标特征；而在业务推销、客户画像预测等领域，对目标特征的要求可以适当放宽，因此可以设定较为宽松的预设条件来筛选出符合条件的目标特征。
综上所述，根据实际应用中的具体问题，采用候选特征建立相应的模型，再获取特征贡献并根据用户的实际需要进行特征筛选，剔除了不符合识别模型要求的特征，提高了模型算法的准确度。
参照图2，本发明实施例还提供了一种模型特征筛选装置20，包括：建立单元201、解释单元202、筛选单元203以及重复单元204，其中：
所述建立单元201，用于执行步骤1：采用第i组候选特征建立对应的第i个模型；
所述解释单元202，用于执行步骤2：对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；
所述筛选单元203，用于执行步骤3：根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；
所述重复单元204，用于将所述第i+1组候选特征作为所述第i组候选特征，使得建立单元、解释单元以及筛选单元分别重复执行步骤1至步骤3，直至所有不符合预设条件的特征被排除，得到目标特征。
在具体实施中，i大于等于1。
在具体实施中，第i个模型可以采用以下至少一种建模算法：GBDT以及深度神经网络算法。
在具体实施中，建立单元201可以采用如下公式描述所述第i个模型的算法：y＝f(x1,x2,x3,…,xm)；其中，y为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征。
在具体实施中，解释单元202可以采用以下至少一种模型解释工具对所述第i个模型进行模型解释：SHAP以及Shapley Value。
在具体实施中，解释单元202可以采用如下公式对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献：g(u1,u2,u3,…,um)＝w1*u1+w2*u2+…+wm*um＝f(x1,x2,x3,…,xm)；其中，g(u1,u2,u3,…,um)为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征，u1,u2,u3,…,um分别为x1,x2,x3,…,xm在所述第i个模型中的特征贡献，w1,w2,…,wm∈{0,1}。
在具体实施中，筛选单元203可以采用以下至少一种方法对所述第i组候选特征进行筛选：特征贡献筛选、Lasso算法筛选特征以及基于特征贡献稳定性的特征筛选。
本发明实施例还提供了一种可读存储介质，可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述实施例中提供的任一种所述的模型特征筛选方法的步骤。
本发明实施例还提供了一种模型特征筛选装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所示计算机指令时，执行本发明上述实施例中提供的任一种所述的模型特征筛选方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (14)

1.一种模型特征筛选方法，其特征在于，包括：
步骤1，采用第i组候选特征建立对应的第i个模型；i大于等于1；
步骤2，对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；
步骤3，根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；
步骤4，将所述第i+1组候选特征作为所述第i组候选特征，重复执行步骤1至步骤3，直至所有所述不符合预设条件的特征被排除，得到目标特征。
2.如权利要求1所述的模型特征筛选方法，其特征在于，所述第i个模型采用以下至少一种建模算法：GBDT以及深度神经网络算法。
3.如权利要求1所述的模型特征筛选方法，其特征在于，采用如下公式描述所述第i个模型的算法：
y＝f(x1,x2,x3,…,xm)；
其中，y为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征。
4.如权利要求1所述的模型特征筛选方法，其特征在于，采用以下至少一种模型解释工具对所述第i个模型进行模型解释：SHAP以及Shapley Value。
5.如权利要求1所述的模型特征筛选方法，其特征在于，采用如下公式对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献：
g(u1,u2,u3,…,um)＝w1*u1+w2*u2+…+wm*um＝f(x1,x2,x3,…,xm)；
其中，g(u1,u2,u3,…,um)为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征，u1,u2,u3,…,um分别为x1,x2,x3,…,xm在所述第i个模型中的特征贡献，w1,w2,…,wm∈{0,1}。
6.如权利要求1所述的模型特征筛选方法，其特征在于，采用以下至少一种方法对所述第i组候选特征进行筛选：特征贡献筛选、Lasso算法筛选特征以及基于特征贡献稳定性的特征筛选。
7.一种模型特征筛选装置，其特征在于，包括：
建立单元，用于执行步骤1：采用第i组候选特征建立对应的第i个模型；i大于等于1；
解释单元，用于执行步骤2：对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献；
筛选单元，用于执行步骤3：根据所述每一个特征对应的特征贡献，对所述第i组候选特征进行筛选，排除不符合预设条件的特征，得到第i+1组候选特征；
重复单元，用于将所述第i+1组候选特征作为所述第i组候选特征，使得所述建立单元、所述解释单元以及所述筛选单元分别重复执行步骤1至步骤3，直至所有所述不符合预设条件的特征被排除，得到目标特征。
8.如权利要求7所述的模型特征筛选装置，其特征在于，所述第i个模型采用以下至少一种建模算法：GBDT以及深度神经网络算法。
9.如权利要求7所述的模型特征筛选装置，其特征在于，所述建立单元，采用如下公式描述所述第i个模型的算法：
y＝f(x1,x2,x3,…,xm)；
其中，y为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征。
10.如权利要求7所述的模型特征筛选装置，其特征在于，所述解释单元，采用以下至少一种模型解释工具对所述第i个模型进行模型解释：SHAP以及Shapley Value。
11.如权利要求7所述的模型特征筛选装置，其特征在于，所述解释单元，采用如下公式对所述第i个模型进行模型解释，得到所述第i组候选特征中每一个特征对应的特征贡献：
g(u1,u2,u3,…,um)＝w1*u1+w2*u2+…+wm*um＝f(x1,x2,x3,…,xm)；
其中，g(u1,u2,u3,…,um)为所述第i个模型的输出，x1,x2,x3,…,xm为输入所述第i个模型的m个特征，u1,u2,u3,…,um分别为x1,x2,x3,…,xm在所述第i个模型中的特征贡献，w1,w2,…,wm∈{0,1}。
12.如权利要求7所述的模型特征筛选装置，其特征在于，所述筛选单元，采用以下至少一种方法对所述第i组候选特征进行筛选：特征贡献筛选、Lasso算法筛选特征以及基于特征贡献稳定性的特征筛选。
13.一种可读存储介质，可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至6中任一项所述的模型特征筛选方法的步骤。
14.一种模型特征筛选装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至6任一项所述的模型特征筛选方法的步骤。
CN201910590474.9A 2019-07-02 2019-07-02 模型特征筛选方法及装置、可读存储介质 Pending CN110390393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910590474.9A CN110390393A (zh) 2019-07-02 2019-07-02 模型特征筛选方法及装置、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910590474.9A CN110390393A (zh) 2019-07-02 2019-07-02 模型特征筛选方法及装置、可读存储介质

Publications (1)

Publication Number Publication Date
CN110390393A true CN110390393A (zh) 2019-10-29

Family

ID=68286095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910590474.9A Pending CN110390393A (zh) 2019-07-02 2019-07-02 模型特征筛选方法及装置、可读存储介质

Country Status (1)

Country Link
CN (1) CN110390393A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796656A (zh) * 2019-11-01 2020-02-14 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN111008898A (zh) * 2020-03-10 2020-04-14 支付宝(杭州)信息技术有限公司 评估模型解释工具的方法和装置
CN111861704A (zh) * 2020-07-10 2020-10-30 深圳无域科技技术有限公司 风控特征生成方法及系统
CN112613983A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 一种机器建模过程中的特征筛选方法、装置及电子设备
CN113902450A (zh) * 2021-12-08 2022-01-07 四川新网银行股份有限公司 一种可解释的欺诈交易识别方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796656A (zh) * 2019-11-01 2020-02-14 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN111008898A (zh) * 2020-03-10 2020-04-14 支付宝(杭州)信息技术有限公司 评估模型解释工具的方法和装置
CN111008898B (zh) * 2020-03-10 2020-08-28 支付宝(杭州)信息技术有限公司 评估模型解释工具的方法和装置
CN111861704A (zh) * 2020-07-10 2020-10-30 深圳无域科技技术有限公司 风控特征生成方法及系统
CN112613983A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 一种机器建模过程中的特征筛选方法、装置及电子设备
CN112613983B (zh) * 2020-12-25 2023-11-21 北京知因智慧科技有限公司 一种机器建模过程中的特征筛选方法、装置及电子设备
CN113902450A (zh) * 2021-12-08 2022-01-07 四川新网银行股份有限公司 一种可解释的欺诈交易识别方法及装置

Similar Documents

Publication Publication Date Title
CN110390393A (zh) 模型特征筛选方法及装置、可读存储介质
CN108446621A (zh) 票据识别方法、服务器及计算机可读存储介质
CN110414601A (zh) 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN109634924A (zh) 基于机器学习的文件系统参数自动调优方法及系统
CN110070115A (zh) 一种单像素攻击样本生成方法、装置、设备及存储介质
CN108682007A (zh) 基于深度随机森林的jpeg图像重采样自动检测方法
CN110008853A (zh) 行人检测网络及模型训练方法、检测方法、介质、设备
CN108960269A (zh) 数据集的特征获取方法、装置及计算设备
CN106503047B (zh) 一种基于卷积神经网络的图像爬虫优化方法
CN110166289A (zh) 一种识别目标信息资产的方法及装置
CN113919497A (zh) 针对连续学习能力系统的基于特征操纵的攻击和防御方法
CN106779055A (zh) 图像特征提取方法和装置
CN116089883A (zh) 用于提高已有类别增量学习新旧类别区分度的训练方法
CN114399018B (zh) 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法
KR102039244B1 (ko) 반딧불 알고리즘을 이용한 데이터 클러스터링 방법 및 시스템
CN113723472A (zh) 一种基于动态滤波等变卷积网络模型的图像分类方法
CN108876776A (zh) 一种分类模型生成方法、眼底图像分类方法及装置
CN113032367A (zh) 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统
CN115906937A (zh) 一种可解释的cnn分类模型的模型剪枝方法
CN111062484B (zh) 基于多任务学习的数据集选取方法及装置
CN113627522A (zh) 基于关系网络的图像分类方法、装置、设备及存储介质
JP7207128B2 (ja) 予測システム、予測方法、および予測プログラム
CN106897301A (zh) 一种搜索质量的评测方法、装置及电子设备
Liantoni et al. Comparison of adaptive ant colony optimization for image edge detection of leaves bone structure
CN109697502A (zh) 信息处理方法和设备以及存储介质

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: 20191029

RJ01 Rejection of invention patent application after publication