CN112581342A - 评价养老机构等级的方法、装置、设备及存储介质 - Google Patents

评价养老机构等级的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112581342A
CN112581342A CN202011568252.6A CN202011568252A CN112581342A CN 112581342 A CN112581342 A CN 112581342A CN 202011568252 A CN202011568252 A CN 202011568252A CN 112581342 A CN112581342 A CN 112581342A
Authority
CN
China
Prior art keywords
evaluation
sample
endowment
level
decision tree
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
CN202011568252.6A
Other languages
English (en)
Inventor
张小刚
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202011568252.6A priority Critical patent/CN112581342A/zh
Publication of CN112581342A publication Critical patent/CN112581342A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种评价养老机构等级的方法、装置、设备及存储介质，涉及计算机技术领域。其中，该方法包括：获取待评价的养老机构对应的基础数据；将基础数据输入到已训练的养老机构评价模型中处理，得到养老机构对应各个评价等级时的概率，该养老机构评价模型基于初始GBDT模型对训练样本集进行训练得到；根据每个概率确定养老机构对应的评价等级。上述方式中，该养老机构评价模型是基于初始GBDT模型对训练样本集进行训练得到的，基于该养老机构评价模型对待评价的养老机构对应的基础数据进行处理，使得到的评价结果更准确；且通过养老机构评价模型自动对基础数据进行处理，提升了评价养老机构的效率。

Description

评价养老机构等级的方法、装置、设备及存储介质
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种评价养老机构等级的方法、装置、设备及存储介质。
背景技术
随着我国逐步迈入老龄化社会，养老作为社会问题，逐渐引起社会的关注，为老年人提供全日集中居住和照料服务的养老机构也越来越多。
社会上有几十万家养老机构，这些养老机构的水平参差不齐。目前，在对这些养老机构进行评价的实际工作中，主要依赖相关工作人员的经验对这些养老机构进行评价。然而，这种人工评价的方式评价速度慢、视角单一、容易受主观因素影响，导致对养老机构的评价效率低、评价结果不准确。
发明内容
基于上述现有技术存在的人工评价方式评价速度慢、视角单一、容易受主观因素影响，导致对养老机构的评价效率低、评价结果不准确的问题，本发明实施例提供一种评价养老机构等级的方法、装置、设备及存储介质，可以提高评价养老机构的效率，同时提升评价结果的准确性。
第一方面，本发明实施例提供一种评价养老机构等级的方法，所述方法包括：获取待评价的养老机构对应的基础数据；
将所述基础数据输入到已训练的养老机构评价模型中处理，得到所述养老机构对应各个评价等级时的概率，所述养老机构评价模型基于初始GBDT模型对训练样本集进行训练得到；
根据每个概率确定所述养老机构对应的评价等级。
本发明实施例提供的该评价养老机构等级的方法，通过已训练的养老机构评价模型对待评价的养老机构对应的基础数据进行处理，得到养老机构对应各个评价等级时的概率，根据每个概率确定待评价的养老机构对应的评价等级。上述方式中，该养老机构评价模型是基于初始GBDT模型对训练样本集进行训练得到的。GBDT模型全称梯度下降树模型(Gradient BoostingDecisionTree)，它是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。该GBDT模型是一种泛化能力较强的算法，比单一学习器的学习效果更显著优越。因此，基于初始GBDT模型对训练样本集进行训练得到的养老机构评价模型，其对待评价的养老机构对应的基础数据进行处理时，得到的处理结果更准确，进而使得该养老机构的评价等级更准确；且通过养老机构评价模型自动对基础数据进行处理，无需人工干预，提升了评价养老机构的效率。
可选地，所述基础数据包括所述养老机构对应的注册资本、占地面积、床位数量、入住率、服务项目、员工数量、护理员证书持有率、护理员数量中的任意一种数据或多种数据组合。
可选地，所述养老机构评价模型包括多个决策树，每个决策树对应一个评价等级。
可选地，所述将所述基础数据输入到已训练的养老机构评价模型中处理，得到所述养老机构对应各个评价等级时的概率，包括：
将所述基础数据输入每个决策树进行处理，得到所述养老机构对应各个评价等级时的概率。
可选地，所述每个决策树对应多个节点，每个节点包括一个切分点，所述每个节点对应所述基础数据中的一种数据。
可选地，所述将所述基础数据输入每个决策树进行处理，得到所述养老机构对应各个评价等级时的概率，包括：
针对每个决策树，将第一数据与第一节点中的切分点进行比较，得到所述第一数据对应的第一概率值，所述第一数据为所述基础数据中的任意一种数据，所述第一节点为所述多个节点中的任意一个节点，所述第一数据与所述第一节点对应；
将每个所述第一概率值相加，得到所述养老机构对应所述决策树所对应的评价等级时的概率。
可选地，所述训练样本集包括多个样本养老机构各自对应的多种样本基础数据，以及每个样本养老机构对应的评价等级。
可选地，所述获取待评价的养老机构对应的基础数据之前，所述方法还包括：
在所述训练样本集中选取属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，所述第一评价等级为所有评价等级中相同的评价等级；
基于所述属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，构建与每种样本基础数据对应的样本节点和每个样本节点对应的样本切分点；
基于每个样本节点和每个样本节点对应的样本切分点，构建所述第一评价等级对应的决策树；
基于每个第一评价等级对应的决策树，生成所述养老机构评价模型。
可选地，所述基于每个样本节点和每个样本节点对应的样本切分点，构建所述第一评价等级对应的决策树，包括：
将每个样本节点和每个样本节点对应的样本切分点代入预设函数中进行计算，得到第一评价等级对应的决策树。
可选地，所述第一评价等级包括一级、二级、三级、四级、五级，所述决策树分别对应为第一决策树、第二决策树、第三决策树、第四决策树以及第五决策树，所述基于每个第一评价等级对应的决策树，生成所述养老机构评价模型，包括：
基于所述一级对应的所述第一决策树、所述二级对应的所述第二决策树、所述三级对应的所述第三决策树、所述四级对应的所述第四决策树以及所述五级对应的所述第五决策树，生成所述养老机构评价模型。
可选地，所述根据每个概率确定所述养老机构对应的评价等级，包括：
比较每个概率的大小，得到比较结果；
根据所述比较结果确定所述养老机构对应的评价等级。
第二方面，本发明实施例提供一种评价养老机构等级的装置，所述装置包括：
获取模块，用于获取待评价的养老机构对应的基础数据；
处理模块，用于将所述基础数据输入到已训练的养老机构评价模型中处理，得到所述养老机构对应各个评价等级时的概率，所述养老机构评价模型基于初始GBDT模型对训练样本集进行训练得到；
确定模块，用于根据每个概率确定所述养老机构对应的评价等级。
第三方面，本发明实施例提供一种评价养老机构等级的设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述评价养老机构等级的设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如第一方面所述的方法的步骤。
第四方面，本发明实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面所述的方法的步骤。
以上第二方面至第四方面所述的有益效果，可以参考第一方面中所述，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本申请实施例提供的评价养老机构等级的方法的示意流程图；
图2是本申请又一实施例提供的评价养老机构等级的方法的示意性流程图；
图3是本申请另一实施例提供的评价养老机构等级的方法的示意性流程图；
图4示出了本发明实施例提供的评价养老机构等级的装置的结构示意图；
图5是本申请另一实施例提供的一种评价养老机构等级的设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，本发明中附图仅起到说明和描述的目的，并不用于限定本发明的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，本发明所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。还应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，还需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
随着我国逐步迈入老龄化社会，养老作为社会问题，逐渐引起社会的关注，为老年人提供全日集中居住和照料服务的养老机构也越来越多。
社会上有几十万家养老机构，这些养老机构的水平参差不齐。目前，在对这些养老机构进行评价的实际工作中，主要依赖相关工作人员的经验对这些养老机构进行评价。然而，这种人工评价的方式评价速度慢、视角单一、容易受主观因素影响，导致对养老机构的评价效率低、评价结果不准确。
在此背景下，本发明实施例提供了一种评价养老机构等级的方法，通过已训练的养老机构评价模型对待评价的养老机构对应的基础数据进行处理，得到养老机构对应各个评价等级时的概率，根据每个概率确定待评价的养老机构对应的评价等级。上述方式中，该养老机构评价模型是基于初始GBDT模型对训练样本集进行训练得到的。该GBDT模型是一种泛化能力较强的算法，比单一学习器的学习效果更显著优越。因此，基于初始GBDT模型对训练样本集进行训练得到的养老机构评价模型，其对待评价的养老机构对应的基础数据进行处理时，得到的处理结果更准确，进而使得该养老机构的评价等级更准确；且通过养老机构评价模型自动对基础数据进行处理，无需人工干预，提升了评价养老机构的效率。
请参见图1，图1是本申请实施例提供的评价养老机构等级的方法的示意流程图。本实施例中评价养老机构等级的方法的执行主体为设备，设备包括但不限于智能手机、平板电脑、计算机、个人数字助理(PersonalDigital Assistant，PDA)等，还可以包括台式电脑等设备。如图1所示的评价养老机构等级的方法可包括S101～S103，具体如下：
S101：获取待评价的养老机构对应的基础数据。
基础数据可以理解为该养老机构在建设、服务、人员等不同方面对应的数据。例如，基础数据可以包括该养老机构对应的注册资本、占地面积、床位数量、入住率、服务项目、安全检查结果、员工数量、护理员证书持有率、护理员数量、社会工作者、老年人居室比例、院长文化程度、副院长文化程度等中的任意一种数据或多种数据组合，其中，服务项目又可包括出入院服务、生活照料服务、膳食服务、清洁卫生服务、洗涤服务、医疗护理服务、文化娱乐服务、心理支持服务、委托服务、康复服务、教育服务等。此处仅为示例性说明，对此不做限定。
当需要评价某个养老机构对应的等级时，可获取该待评价的养老机构对应的基础数据。即获取上述基础数据中的一种数据或多种数据的任意组合。通常，获取的基础数据的种类越多，评价的结果越准确。
例如，当需要评价某个养老机构对应的等级时，可获取该待评价的养老机构对应的注册资本、占地面积、床位数量、入住率、服务项目、安全检查结果、员工数量、持有养老护林员初级及以上证书人员比率、护理员数量。此处仅为示例性说明，对此不做限定。
S102：将基础数据输入到已训练的养老机构评价模型中处理，得到养老机构对应各个评价等级时的概率，该养老机构评价模型基于初始GBDT模型对训练样本集进行训练得到，该训练样本集包括多个样本养老机构各自对应的多种样本基础数据，以及每个样本养老机构对应的评价等级。
在本实施例中，设备中预先存储有预先训练好的养老机构评价模型。该养老机构评价模型是使用机器学习算法，基于初始GBDT模型对训练样本集进行训练得到的。该训练样本集包括多个样本养老机构各自对应的多种样本基础数据，以及每个样本养老机构对应的评价等级。可以理解的是，该养老机构评价模型可以由该设备预先训练好，也可以由其他设备预先训练好后将该养老机构评价模型对应的文件移植至本设备中。也就是说，训练该养老机构评价模型的执行主体与使用该养老机构评价模型的执行主体可以是相同的，也可以是不同的。
示例性地，已训练的养老机构评价模型中可以包括多个决策树，每个决策树对应一个评价等级。将基础数据输入每个决策树中进行处理，每个决策树都分别输出该养老机构对应的概率。由于每个决策树对应一个评价等级，即得到养老机构对应各个评价等级时的概率。
可选地，在一种可能的实现方式中，将基础数据输入到已训练的养老机构评价模型中处理，得到养老机构对应各个评价等级时的概率，具体包括：将基础数据输入每个决策树进行处理，得到养老机构对应各个评价等级时的概率。
已训练的养老机构评价模型中可以包括多个决策树，每个决策树对应一个评价等级。例如，已训练的养老机构评价模型中包括5个决策树，分别为第一决策树、第二决策树、第三决策树、第四决策树、第五决策树。养老机构对应的评价等级可以包括5个级别，分别为一级、二级、三级、四级、五级。其中，第一决策树对应一级，第二决策树对应二级，第三决策树对应三级，第四决策树对应四级，第五决策树对应五级。此处仅为示例性说明，对此不做限定。
示例性地，将基础数据输入第一决策树中处理，得到养老机构对应一级时的概率，即此时得到该养老机构的评价等级可能为一级的概率。将基础数据输入第二决策树中处理，得到养老机构对应二级时的概率，即此时得到该养老机构的评价等级可能为二级的概率。以此类推，得到该养老机构的评价等级分别可能为三级、四级、五级的概率。此处仅为示例性说明，对此不做限定。
可选地，在一种可能的实现方式中，每个决策树对应多个节点，每个节点包括一个切分点，每个节点对应基础数据中的一种数据。
示例性地，对于每个决策树来说，基础数据包括多少种，该决策树就可对应多少个节点。例如，基础数据包括养老机构对应的注册资本、占地面积、床位数量、护理员证书持有率，则第一决策树包括4个节点，分别为节点1、节点2、节点3、节点4。其中，节点1与注册资本对应，节点2与占地面积对应，节点3与床位数量对应，节点4与护理员证书持有率对应。相应地，第二决策树、第三决策树、第四决策树以及第五决策树也分别包括4个节点，每个决策树中的各个节点与基础数据中的一种数据对应。
示例性地，每个节点包括一个切分点，该切分点指该节点对应的一种数据中可取的最优值，也可理解为最佳划分点。该切分点用于与基础数据做比较。当基础数据大于该切分点时，将该基础数据归为第一类数据，例如归为A类数据；当基础数据小于或等于该切分点时，将该基础数据归为第二类数据，例如归为B类数据；例如，节点1与注册资本对应，节点1对应的切分点为500万(注册资本)，当待评价的养老机构对应的基础数据中的注册资本为800万时，可将其与该切分点进行比较。又例如，节点3与床位数量对应，节点3对应的切分点为100个(床位数量)，当待评价的养老机构对应的基础数据中的床位数量为80个时，可将其与该切分点进行比较。此处仅为示例性说明，对此不做限定。
可选地，在一种可能的实现方式中，将基础数据输入每个决策树进行处理，得到养老机构对应各个评价等级时的概率，包括：针对每个决策树，将第一数据与第一节点中的切分点进行比较，得到第一数据对应的第一概率值，该第一数据为基础数据中的任意一种数据，第一节点为多个节点中的任意一个节点，第一数据与第一节点对应；将每个第一概率值相加，得到养老机构对应该决策树所对应的评价等级时的概率。
本实施例中，针对其中一个决策树单独进行说明，对于每个决策树来说，其对基础数据的具体处理过程相同，因此不过多赘述。
示例性地，以第一决策树为例进行说明。第一数据指代基础数据中的任意一种数据。例如，第一数据可以为基础数据中的注册资本，也可以为基础数据中的占地面积，还可以为基础数据中的床位数量等。第一概率值可以理解为该第一数据可能属于该决策树所对应的评价等级时的概率。例如，第一决策树对应一级，第一概率值表示该第一数据可能属于一级的养老机构对应的基础数据的概率。
第一节点指代该第一决策树对应的多个节点中的任意一个节点。值得说明的是，第一数据需与第一节点对应。即第一数据为基础数据中的注册资本时，第一节点也对应基础数据中的注册资本；第一数据为基础数据中的占地面积时，第一节点也对应基础数据中的占地面积。此处仅为示例性说明，对此不做限定。
示例性地，以第一决策树为例，第一数据为基础数据中的注册资本，第一节点对应基础数据中的注册资本，切分点为500万。待评价的养老机构对应的基础数据中的注册资本为800万，即第一数据为800万，将该注册资本800万与切分点500万作比较，显然第一数据大于切分点，将该第一数据归为A类数据。获取A类数据中预先存储的所有注册资本数据的总数量，计算该第一数据对应的数量占总数量的百分比，将该百分比转换得到第一数据对应的第一概率值。
若待评价的养老机构对应的基础数据中的注册资本为200万，即第一数据为200万，将该注册资本200万与切分点500万作比较，显然第一数据小于切分点，将该第一数据归为B类数据。获取B类数据中预先存储的所有注册资本数据的总数量，计算该第一数据对应的数量占总数量的百分比，将该百分比转换得到第一数据对应的第一概率值。此处仅为示例性说明，对此不做限定。
针对第一决策树，通过上述方式可计算基础数据中每种数据对应的第一概率值。将每个第一概率值相加，得到养老机构对应一级时的概率。例如，基础数据包括养老机构对应的注册资本、占地面积、床位数量、护理员证书持有率，第一决策树包括4个节点，分别为节点1、节点2、节点3、节点4，每个节点各自对应一个切分点。将待评价的养老机构对应的注册资本与节点1对应的切分点比较，得到该注册资本对应的第一概率值为0.2。同样的方式，分别计算得到待评价的养老机构的占地面积对应的第一概率值为0.25，待评价的养老机构的床位数量对应的第一概率值为0.3，待评价的养老机构的护理员证书持有率对应的第一概率值为0.1。相加得到的值为0.85，即得到该养老机构对应一级时的概率为0.85，也就是说该养老机构的评价等级可能为一级的概率为0.85。此处仅为示例性说明，对此不做限定。
通过上述方式，可计算出该养老机构分别对应二级、三级、四级以及五级时的概率。由于计算过程类似，此处不再赘述。
可选地，在一种可能的实现方式中，决策树以函数的形式表现。针对每个决策树，将计算得到的每个第一概率值代入该函数中，可计算得到养老机构对应该决策树所对应的评价等级时的概率。该函数可参考现有技术中GBDT模型中决策树对应的函数，此处不再赘述。
S103：根据每个概率确定该养老机构对应的评价等级。
每个概率表示该养老机构为每个评价等级的可能性。在这些概率中挑选概率最大的，将最大的这个概率对应的评价等级作为该养老机构对应的最终的评价等级。
请参见图2，图2是本申请又一实施例提供的评价养老机构等级的方法的示意性流程图，可选地，在一种可能的实现方式中，如图2所示，上述S103可以包括S1031～S1032，具体如下：
S1031：比较每个概率的大小，得到比较结果。
将S102中计算得到的所有概率进行比较，并从大到小对这些概率进行排序，得到第一比较结果，或者从小到大对这些概率进行排序，得到第二比较结果。例如，养老机构对应的评价等级可以包括5个级别，该养老机构对应一级时的概率为0.85，对应二级时的概率为0.8，对应三级时的概率为0.95，对应四级时的概率为0.35，对应五级时的概率为0.5。
S1032：根据比较结果确定该养老机构对应的评价等级。
当比较结果为第一比较结果时，选取第一比较结果中排序第一的概率对应的等级作为该养老机构对应的评价等级。当比较结果为第二比较结果时，选取第二比较结果中排序倒数第一的概率对应的等级作为该养老机构对应的评价等级。示例性地，第一比较结果为0.95、0.85、0.8、0.5、0.35，选取概率0.95对应的三级作为该养老机构对应的评价等级。即此时该养老机构对应的评价等级为三级。此处仅为示例性说明，对此不做限定。
本申请实施例中，通过已训练的养老机构评价模型对待评价的养老机构对应的基础数据进行处理，得到养老机构对应各个评价等级时的概率，根据每个概率确定待评价的养老机构对应的评价等级。上述方式中，该养老机构评价模型是基于初始GBDT模型对训练样本集进行训练得到的。该GBDT模型是一种泛化能力较强的算法，比单一学习器的学习效果更显著优越。因此，基于初始GBDT模型对训练样本集进行训练得到的养老机构评价模型，其对待评价的养老机构对应的基础数据进行处理时，得到的处理结果更准确，进而使得该养老机构的评价等级更准确；且通过养老机构评价模型自动对基础数据进行处理，无需人工干预，提升了评价养老机构的效率。
如图3所示，图3是本申请另一实施例提供的评价养老机构等级的方法的示意性流程图，可选地，在一种可能的实现方式中，如图3所示的评价养老机构等级的方法可包括S201～S207。其中，图3所示的步骤S205～S207可以参考上述对S101～S103的相关描述，为了简洁，这里不再赘述。下面将具体对步骤S201～S204进行说明。
S201：在训练样本集中选取属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，第一评价等级为所有评价等级中相同的评价等级。
训练样本集中的样本养老机构都是依据《养老机构等级划分与评定》这一国家标准进行等级划分过的养老机构。即训练样本集中的样本养老机构都有对应的评价等级。
训练样本集中的很多样本养老机构都属于同一评价等级。第一评价等级也是指所有评价等级中相同的评价等级。示例性地，以样本养老机构对应的评价等级包括5个级别为例，第一评价等级可以是一级，也可以是二级、三级、四级、五级。
示例性地，当第一评价等级为一级时，在训练样本集中选取都属于一级的多个样本养老机构各自对应的多种样本基础数据。即在训练样本集中挑选评价等级为一级的样本养老机构，这样的样本养老机构有多个，再选择这些样本养老机构各自对应的多种样本基础数据。值得说明的是，这里的样本基础数据也可以包括每个样本养老机构对应的注册资本、占地面积、床位数量、入住率、服务项目、安全检查结果、员工数量、护理员证书持有率、护理员数量、社会工作者、老年人居室比例、院长文化程度、副院长文化程度等中的任意一种数据或多种数据组合。通常，获取的样本基础数据的种类越多，训练得到的养老机构评价模型对数据处理的结果越准确。
通过上述方式，在训练样本集中挑选评价等级为二级的样本养老机构，这些二级的样本养老机构各自对应的多种样本基础数据；在训练样本集中挑选评价等级为三级的样本养老机构，这些三级的样本养老机构各自对应的多种样本基础数据等。此处仅为示例性说明，对此不做限定。
S202：基于属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，构建与每种样本基础数据对应的样本节点和每个样本节点对应的样本切分点。
以第一评价等级为一级为例进行说明。基于都属于一级的多个样本养老机构各自对应的多种样本基础数据，构建每种样本基础数据对应的样本节点和每个样本节点对应的样本切分点。一种样本基础数据对应一个样本节点，每个样本节点对应一个样本切分点。例如，样本基础数据包括注册资本、占地面积、床位数量、护理员证书持有率。这里的注册资本对应样本节点1，占地面积对应样本节点2，床位数量对应样本节点3，护理员证书持有率对应样本节点4。
基于一级的每个养老机构对应的注册资本，可构建样本节点1以及该样本节点1对应的样本切分点。基于一级的每个养老机构对应的占地面积，可构建样本节点2以及该样本节点2对应的样本切分点等。
以构建样本节点1以及样本节点1对应的样本切分点为例进行说明。将注册资本作为样本节点1，在一级的每个养老机构对应的注册资本中任取一个值作为中间数(样本节点1对应的样本切分点的前期)，比较其他注册资本与该中间数的大小，当大于该中间数时，将该注册资本归为第一类数据，例如归为A类数据；当小于或等于该中间数时，将该注册资本归为第二类数据，例如归为B类数据。通过遍历所有可能性，即不停地变换中间数的取值，直至找到一个样本基础数据和它对应的最优值使如下公式的值最小。公式如下：
Figure BDA0002861645870000171
上述(1)中，j表示样本基础数据(如样本节点1对应的注册资本)，c1和c2表示样本切分点，R1表示第一类数据集合，R2表示第二类数据集合。
其他样本节点与样本节点对应的样本切分点的构建方式可参考上面的描述，此处不再赘述。
S203：基于每个样本节点和每个样本节点对应的样本切分点，构建第一评价等级对应的决策树。
将每个样本节点和每个样本节点对应的样本切分点代入预设函数中进行计算，得到第一评价等级对应的决策树。以第一评价等级为一级为例进行说明。基于一级的每个养老机构对应的每个样本基础数据所对应的每个样本节点，以及每个样本节点对应的样本切分点，生成一级对应的决策树。具体地，预设函数即为决策树对应的函数，可在网络中查找决策树对应的函数，此处不再赘述。将每个样本节点，以及每个样本节点对应的样本切分点代入决策树对应的函数中，得到一级对应的第一决策树。
可选地，将一级的每个养老机构对应的每个样本基础数据输入构建好的一级对应的第一决策树中进行处理，将得到的处理结果与该养老机构实际对应的评价等级进行比较，若得到的处理结果与实际的评价等级差异较大，则返回调整该一级对应的第一决策树，直至该第一决策树的处理结果满足预设的准确率。
同样的方式构建二级对应的第二决策树，三级对应的第三决策树等，此处不再赘述。
S204：基于每个第一评价等级对应的决策树，生成养老机构评价模型。
以样本养老机构对应的评价等级包括5个级别为例。此时第一评价等级可以为一级、二级、三级、四级、五级，决策树分别对应为第一决策树、第二决策树、第三决策树、第四决策树以及第五决策树，根据一级对应的第一决策树、二级对应的第二决策树、三级对应的第三决策树、四级对应的第四决策树以及五级对应的第五决策树，生成养老机构评价模型。
值得说明的是，此时的养老机构模型中各个决策树中的样本节点就是S102中涉及到的节点，样本切分点就是S102中涉及到的切分点。
可选地，在一种可能的实现方式中，也可通过梯度提升决策树，得到养老机构评价模型。
本申请实施例中，选取了不同的样本基础数据构建不同决策树对应的样本节点，这种选取样本基础数据的多样性，可保证训练得到的养老机构评价模型对数据拟合的质量非常高，进而基于该养老机构评价模型对待评价的养老机构对应的基础数据进行处理时，得到的处理结果更准确，进一步提升了评价结果的准确性。
图4示出了本发明实施例提供的评价养老机构等级的装置的结构示意图。
如图4所示，该评价养老机构等级的装置包括：
获取模块310，用于获取待评价的养老机构对应的基础数据；
处理模块320，用于将所述基础数据输入到已训练的养老机构评价模型中处理，得到所述养老机构对应各个评价等级时的概率，所述养老机构评价模型基于初始GBDT模型对训练样本集进行训练得到；
确定模块330，用于根据每个概率确定所述养老机构对应的评价等级。
可选地，所述基础数据包括所述养老机构对应的注册资本、占地面积、床位数量、入住率、服务项目、员工数量、护理员证书持有率、护理员数量中的任意一种数据或多种数据组合。
可选地，所述养老机构评价模型包括多个决策树，每个决策树对应一个评价等级。
可选地，所述处理模块320包括：
决策树处理模块，用于将所述基础数据输入每个决策树进行处理，得到所述养老机构对应各个评价等级时的概率。
可选地，所述每个决策树对应多个节点，每个节点包括一个切分点，所述每个节点对应所述基础数据中的一种数据。
可选地，所述决策树处理模块具体用于：
针对每个决策树，将第一数据与第一节点中的切分点进行比较，得到所述第一数据对应的第一概率值，所述第一数据为所述基础数据中的任意一种数据，所述第一节点为所述多个节点中的任意一个节点，所述第一数据与所述第一节点对应；
将每个所述第一概率值相加，得到所述养老机构对应所述决策树所对应的评价等级时的概率。
可选地，所述训练样本集包括多个样本养老机构各自对应的多种样本基础数据，以及每个样本养老机构对应的评价等级。
可选地，所述装置还包括：
选取模块，用于在所述训练样本集中选取属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，所述第一评价等级为所有评价等级中相同的评价等级；
第一构建模块，用于基于所述属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，构建与每种样本基础数据对应的样本节点和每个样本节点对应的样本切分点；
第二构建模块，用于基于每个样本节点和每个样本节点对应的样本切分点，构建所述第一评价等级对应的决策树；
生成模块，用于基于每个第一评价等级对应的决策树，生成所述养老机构评价模型。
可选地，所述第二构建模块具体用于：
将每个样本节点和每个样本节点对应的样本切分点代入预设函数中进行计算，得到第一评价等级对应的决策树。
可选地，所述第一评价等级包括一级、二级、三级、四级、五级，所述决策树分别对应为第一决策树、第二决策树、第三决策树、第四决策树以及第五决策树，所述生成模块具体用于：
基于所述一级对应的所述第一决策树、所述二级对应的所述第二决策树、所述三级对应的所述第三决策树、所述四级对应的所述第四决策树以及所述五级对应的所述第五决策树，生成所述养老机构评价模型。
可选地，所述确定模块330具体用于：
比较每个概率的大小，得到比较结果；
根据所述比较结果确定所述养老机构对应的评价等级。
请参见图5，图5是本申请另一实施例提供的一种评价养老机构等级的设备的示意图。如图5所示，该实施例的评价养老机构等级的设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机指令42。所述处理器40执行所述计算机指令42时实现上述各个评价养老机构等级的方法实施例中的步骤，例如图1所示的S101至S103。或者，所述处理器40执行所述计算机指令42时实现上述各实施例中各模块的功能，例如图4所示模块310至330的功能。
示例性地，所述计算机指令42可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机指令段，该指令段用于描述所述计算机指令42在所述评价养老机构等级的设备4中的执行过程。例如，所述计算机指令42可以被分割为获取模块、处理模块以及确定模块，各模块具体功能如上所述。
所述评价养老机构等级的设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图5仅仅是评价养老机构等级的设备4的示例，并不构成对评价养老机构等级的设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述评价养老机构等级的设备还可以包括输入输出终端、网络接入终端、总线等。
所称处理器40可以是中央处理模块(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述评价养老机构等级的设备的内部存储模块，例如评价养老机构等级的设备的硬盘或内存。所述存储器41也可以是所述评价养老机构等级的设备的外部存储终端，例如所述评价养老机构等级的设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述评价养老机构等级的设备的内部存储模块也包括外部存储终端。所述存储器41用于存储所述计算机指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神范围，均应包含在本申请的保护范围之内。

Claims (15)

1.一种评价养老机构等级的方法，其特征在于，所述方法包括：
获取待评价的养老机构对应的基础数据；
将所述基础数据输入到已训练的养老机构评价模型中处理，得到所述养老机构对应各个评价等级时的概率，所述养老机构评价模型基于初始GBDT模型对训练样本集进行训练得到；
根据每个概率确定所述养老机构对应的评价等级。
2.根据权利要求1所述的方法，其特征在于，所述基础数据包括所述养老机构对应的注册资本、占地面积、床位数量、入住率、服务项目、员工数量、护理员证书持有率、护理员数量中的任意一种数据或多种数据组合。
3.根据权利要求1所述的方法，其特征在于，所述养老机构评价模型包括多个决策树，每个决策树对应一个评价等级。
4.根据权利要求3所述的方法，其特征在于，所述将所述基础数据输入到已训练的养老机构评价模型中处理，得到所述养老机构对应各个评价等级时的概率，包括：
将所述基础数据输入每个决策树进行处理，得到所述养老机构对应各个评价等级时的概率。
5.根据权利要求4所述的方法，其特征在于，所述每个决策树对应多个节点，每个节点包括一个切分点，所述每个节点对应所述基础数据中的一种数据。
6.根据权利要求5所述的方法，其特征在于，所述将所述基础数据输入每个决策树进行处理，得到所述养老机构对应各个评价等级时的概率，包括：
针对每个决策树，将第一数据与第一节点中的切分点进行比较，得到所述第一数据对应的第一概率值，所述第一数据为所述基础数据中的任意一种数据，所述第一节点为所述多个节点中的任意一个节点，所述第一数据与所述第一节点对应；
将每个所述第一概率值相加，得到所述养老机构对应所述决策树所对应的评价等级时的概率。
7.根据权利要求1所述的方法，其特征在于，所述训练样本集包括多个样本养老机构各自对应的多种样本基础数据，以及每个样本养老机构对应的评价等级。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述获取待评价的养老机构对应的基础数据之前，所述方法还包括：
在所述训练样本集中选取属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，所述第一评价等级为所有评价等级中相同的评价等级；
基于所述属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，构建与每种样本基础数据对应的样本节点和每个样本节点对应的样本切分点；
基于每个样本节点和每个样本节点对应的样本切分点，构建所述第一评价等级对应的决策树；
基于每个第一评价等级对应的决策树，生成所述养老机构评价模型。
9.根据权利要求8所述的方法，其特征在于，所述基于每个样本节点和每个样本节点对应的样本切分点，构建所述第一评价等级对应的决策树，包括：
将每个样本节点和每个样本节点对应的样本切分点代入预设函数中进行计算，得到第一评价等级对应的决策树。
10.根据权利要求8所述的方法，其特征在于，所述第一评价等级包括一级、二级、三级、四级、五级，所述决策树分别对应为第一决策树、第二决策树、第三决策树、第四决策树以及第五决策树，所述基于每个第一评价等级对应的决策树，生成所述养老机构评价模型，包括：
基于所述一级对应的所述第一决策树、所述二级对应的所述第二决策树、所述三级对应的所述第三决策树、所述四级对应的所述第四决策树以及所述五级对应的所述第五决策树，生成所述养老机构评价模型。
11.根据权利要求1所述的方法，其特征在于，所述根据每个概率确定所述养老机构对应的评价等级，包括：
比较每个概率的大小，得到比较结果；
根据所述比较结果确定所述养老机构对应的评价等级。
12.一种评价养老机构等级的装置，其特征在于，所述装置包括：
获取模块，用于获取待评价的养老机构对应的基础数据；
处理模块，用于将所述基础数据输入到已训练的养老机构评价模型中处理，得到所述养老机构对应各个评价等级时的概率，所述养老机构评价模型基于初始GBDT模型对训练样本集进行训练得到；
确定模块，用于根据每个概率确定所述养老机构对应的评价等级。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
选取模块，用于在所述训练样本集中选取属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，所述第一评价等级为所有评价等级中相同的评价等级；
第一构建模块，用于基于所述属于第一评价等级的多个样本养老机构各自对应的多种样本基础数据，构建与每种样本基础数据对应的样本节点和每个样本节点对应的样本切分点；
第二构建模块，用于基于每个样本节点和每个样本节点对应的样本切分点，构建所述第一评价等级对应的决策树；
生成模块，用于基于每个第一评价等级对应的决策树，生成所述养老机构评价模型。
14.一种评价养老机构等级的设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至11任一项所述的方法的步骤。
15.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至11任一项所述的方法的步骤。
CN202011568252.6A 2020-12-25 2020-12-25 评价养老机构等级的方法、装置、设备及存储介质 Pending CN112581342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011568252.6A CN112581342A (zh) 2020-12-25 2020-12-25 评价养老机构等级的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011568252.6A CN112581342A (zh) 2020-12-25 2020-12-25 评价养老机构等级的方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112581342A true CN112581342A (zh) 2021-03-30

Family

ID=75139923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011568252.6A Pending CN112581342A (zh) 2020-12-25 2020-12-25 评价养老机构等级的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112581342A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109496322A (zh) * 2017-09-28 2019-03-19 深圳乐信软件技术有限公司 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置
CN109685526A (zh) * 2018-12-12 2019-04-26 税友软件集团股份有限公司 一种企业信用等级评价方法、装置及相关设备
CN110348580A (zh) * 2019-06-18 2019-10-18 第四范式（北京）技术有限公司 构建gbdt模型的方法、装置及预测方法、装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109496322A (zh) * 2017-09-28 2019-03-19 深圳乐信软件技术有限公司 信用评价方法和装置以及梯度渐进决策树参数调整方法和装置
CN109685526A (zh) * 2018-12-12 2019-04-26 税友软件集团股份有限公司 一种企业信用等级评价方法、装置及相关设备
CN110348580A (zh) * 2019-06-18 2019-10-18 第四范式（北京）技术有限公司 构建gbdt模型的方法、装置及预测方法、装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汪荣贵: "《机器学习简明教程》", 30 April 2020, 机械工业出版社, pages: 147 - 150 *

Similar Documents

Publication Publication Date Title
Rochmawati et al. Covid symptom severity using decision tree
CN111506723B (zh) 问答响应方法、装置、设备及存储介质
Morrow-Howell et al. An investigation of activity profiles of older adults
Sundaram et al. Women empowerment: role of education
Golino et al. Random forest as an imputation method for education and psychology research: its impact on item fit and difficulty of the Rasch model
US9753968B1 (en) Systems and methods for detection of anomalous entities
Hong et al. The effects of caregiving resources on perceived health among caregivers
CN108121785A (zh) 一种基于教育大数据的分析方法
US20190065550A1 (en) Query optimizer for combined structured and unstructured data records
CA2833779A1 (en) Predictive modeling
WO2020042583A1 (zh) 潜力绩优人员类型识别方法、系统、计算机装置及介质
US20200257707A1 (en) Genealogical entity resolution system and method
Mellor et al. Application of data mining to “big data” acquired in audiology: Principles and potential
Karaca et al. Stroke Subtype Clustering by Multifractal Bayesian Denoising with Fuzzy C Means and K‐Means Algorithms
da Fonseca Silveira et al. Educational data mining: Analysis of drop out of engineering majors at the UnB-Brazil
Peng et al. The health care fraud detection using the pharmacopoeia spectrum tree and neural network analytic contribution hierarchy process
Srivastava et al. Heart disease prediction using machine learning
Mossong et al. Who died of what in rural KwaZulu-Natal, South Africa: a cause of death analysis using InterVA-4
JP2022007687A (ja) 医務査定支援装置、医務査定支援方法および医務査定支援プログラム
CN112581342A (zh) 评价养老机构等级的方法、装置、设备及存储介质
Schörgendorfer et al. A Bayesian goodness of fit test and semiparametric generalization of logistic regression with measurement data
Langan et al. Benchmarking factor selection and sensitivity: a case study with nursing courses
CN115862791A (zh) 基于健康测评的问卷标签生成方法、装置、设备及介质
JP2016114898A (ja) 単語提示装置、方法及びプログラム
CN111816276B (zh) 患教教程推荐方法、装置、计算机设备和存储介质

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