CN114491416A - 特征信息的处理方法、装置、电子设备和存储介质 - Google Patents

特征信息的处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114491416A
CN114491416A CN202210166903.1A CN202210166903A CN114491416A CN 114491416 A CN114491416 A CN 114491416A CN 202210166903 A CN202210166903 A CN 202210166903A CN 114491416 A CN114491416 A CN 114491416A
Authority
CN
China
Prior art keywords
sub
range
information
value
determining
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
CN202210166903.1A
Other languages
English (en)
Inventor
刘昊骋
徐靖宇
陈才
李硕
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210166903.1A priority Critical patent/CN114491416A/zh
Publication of CN114491416A publication Critical patent/CN114491416A/zh
Priority to EP22216989.8A priority patent/EP4134834A1/en
Priority to US18/148,177 priority patent/US20230145408A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种特征信息的处理方法，涉及数据处理技术领域，尤其涉及人工智能和大数据领域。具体实现方案为：在特征信息的待分割取值范围中确定至少一个候选分割点，并确定所述至少一个候选分割点中每个候选分割点对应的信息价值；基于所述信息价值，在所述至少一个候选分割点中确定目标分割点；基于所述目标分割点对所述待分割取值范围进行分割，得到所述待分割取值范围的两个子范围；将所述两个子范围中符合终止条件的子范围确定为目标区间，并将所述两个子范围中不符合终止条件的子范围确定为新的待分割取值范围，返回所述在待分割取值范围中确定至少一个候选分割点的步骤，直至所述两个子范围均满足所述终止条件，得到多个目标区间。

Description

特征信息的处理方法、装置、电子设备和存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及人工智能和大数据领域，具体涉及一种特征信息的处理方法、装置、电子设备和存储介质。
背景技术
在数据处理技术领域，待处理的数据的特征信息包括连续型变量和离散型变量。在一些场景下，对于连续型变量例如年龄、金额等，需要对其进行变量分箱(即离散化处理)，以利用连续型变量对应的离散化编码进行数据挖掘和分析。常用的分箱方式包括等频分箱、等距分箱、分布分箱等。
发明内容
本公开提供了一种特征信息的处理方法、装置、电子设备和存储介质。
根据本公开的一方面，提供了一种特征信息的处理方法，包括：
在特征信息的待分割取值范围中确定至少一个候选分割点，并确定所述至少一个候选分割点中每个候选分割点对应的信息价值；
基于所述信息价值，在所述至少一个候选分割点中确定目标分割点；
基于所述目标分割点对所述待分割取值范围进行分割，得到所述待分割取值范围的两个子范围；
将所述两个子范围中符合终止条件的子范围确定为目标区间，并将所述两个子范围中不符合终止条件的子范围确定为新的待分割取值范围，返回所述在待分割取值范围中确定至少一个候选分割点的步骤，直至所述两个子范围均满足所述终止条件，得到多个目标区间；其中，所述多个目标区间用于确定待处理数据的特征信息的离散化编码。
根据本公开的另一方面，提供了一种价值确定模块，用于在特征信息的待分割取值范围中确定至少一个候选分割点，并确定所述至少一个候选分割点中每个候选分割点对应的信息价值；
分割点确定模块，用于基于所述信息价值，在所述至少一个候选分割点中确定目标分割点；
分割模块，用于基于所述目标分割点对所述待分割取值范围进行分割，得到所述待分割取值范围的两个子范围；
子范围迭代模块，用于将所述两个子范围中符合终止条件的子范围确定为目标区间，并将所述两个子范围中不符合终止条件的子范围确定为新的待分割取值范围，返回所述在待分割取值范围中确定至少一个候选分割点的步骤，直至所述两个子范围均满足所述终止条件，得到多个目标区间；其中，所述多个目标区间用于确定待处理数据的所述特征信息的离散化编码。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术，可以在特征信息的取值范围内确定信息价值最大的多个离散化区间，实现最优离散化并且提高离散化处理的效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开一实施例的特征信息处理方法的流程示意图一；
图2是根据本公开一实施例的特征信息处理方法的流程示意图二；
图3是根据本公开一实施例的年龄分割的树结构示意图；
图4是根据本公开一实施例的特征信息处理的全流程示意图；
图5是根据本公开一实施例的特征信息处理装置示意图一；
图6是根据本公开一实施例的特征信息处理装置示意图二；
图7是根据本公开一实施例的特征信息处理装置示意图三；
图8是用来实现本公开的实施例的特征信息处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了本公开一个实施例提供的特征信息的处理方法的示意图。如图1所示，该方法可以包括：
S110,在特征信息的待分割取值范围中确定至少一个候选分割点，并确定至少一个候选分割点中每个候选分割点对应的信息价值(Infromation Value，IV)；
S120，基于信息价值，在至少一个候选分割点中确定目标分割点；
S130，基于目标分割点对待分割取值范围进行分割，得到待分割取值范围的两个子范围；
S140，将两个子范围中符合终止条件的子范围确定为目标区间，并将两个子范围中不符合终止条件的子范围确定为新的待分割取值范围，返回在待分割取值范围中确定至少一个候选分割点的步骤，直至两个子范围均满足终止条件，得到多个目标区间；其中，多个目标区间用于确定待处理数据的特征信息的离散化编码。
在本公开实施例中，特征信息可以指表征对象数据(如用户数据或产品数据)的特征的变量。示例性地，在利用预测模型(如逻辑回归模型或神经网络模型)对某些对象进行预测的场景中，特征信息可以为输入预测模型中的代表该对象的变量。例如，对于某个用户，特征信息可以是年龄、身高等。
在本公开实施例中，信息价值(IV)为表征预测能力的数值，也可以称为信息量。实际应用中，信息价值可用于衡量变量分箱后得到的各个变量分组(例如上述子范围、目标区间)的预测能力。
示例性地，对于变量分组i，其信息价值可以基于分组i的WOE(WeightofEvidence，证据权重)计算得到，其中，WOE表征分组i中正负样本的比值与所有样本中正负样本的比值之间的差异。根据变量在各个分组上的信息价值，可以得到变量整体的信息价值，例如将各个分组的信息价值累加得到变量整体的信息价值。可见，信息价值也用于衡量变量的预测能力，例如可以在建模时用于筛选变量。
根据上述步骤S110，本公开实施例需要计算待分割取值范围中的候选分割点的信息价值。示例性地，候选分割点的信息价值可以是其对应的各个子范围的信息价值之和。其中，候选分割点对应的子范围为基于该候选分割点对待分割取值范围进行分割后得到的子范围。
根据上述方法，首先在一个待分割取值范围内，基于信息价值选取分割点，例如选取信息价值最大的分割点，然后基于该分割点将该待分割取值范围划分为两个子范围。如果子范围满足终止条件，则可以将该子范围作为一个目标区间，如果子范围不满足终止条件，则作为新的待分割取值范围，在其中基于信息价值再选取分割点并划分两个子范围。依次类推，经过迭代操作，当得到的子范围均满足终止条件时，已得到多个目标区间，这些目标区间即特征信息的离散化区间，可以用于确定待处理数据的特征信息的离散化编码。
例如，针对年龄这一特征信息，假设初始的待分割取值范围为[0，99]，首先在多个候选分割点20、40、60、80中，根据每个分割点对应的信息价值，确定出目标分割点。假设目标分割点为60，则可以将待分割取值范围分割为[0,59]和[60,99]两个子范围。如果两个子范围均不满足终止条件，则将[0,59]和[60,99]均作为待分割取值范围，分别进行下一次分割，例如将[0,59]分割为[0,31]和[32,59]，将[60,99]分割为[60,71]和[72,99]。若其中仅有[0,31]不满足终止条件，则将[0,31]进一步分割为两个子范围例如[0,18]和[19,32]。若[0,18]和[19,32]均满足终止条件，则可得到多个目标区间，包括：[0,18]、[19,32]、[32,59]、[60,71]和[72,99]。如此，可以将年龄这一连续型特征的取值映射到各个目标区间中，基于各个目标区间对应的离散化编码，得到具体年龄的离散化编码。例如以上5个目标区间对应的离散化编码分别为0、1、2、3和4，则年龄17的离散化编码为0，年龄30的离散化编码为1。
实际应用中，在待分割取值范围中，可以等距或不等距地确定多个候选分割点，具体可根据实际需求设置，本公开实施例不对此进行限制。
由于在上述方法中基于信息价值选取待分割取值范围的分割点，因此在每次分割时均能选取信息价值最优的分割点。并且采用了迭代分割的方式，相比一次选取多个分割点，有利于信息价值不断提高，从而在确定特征信息的离散化区间的过程中，实现了信息价值的最大化，即实现了最优离散化。并且，相比基于人工经验对特征信息进行复杂的分析，可以大大提高离散化处理的效率，降低人工成本。
可选地，本公开实施例的方法还可以包括获取待处理数据的离散化编码的步骤。具体地，如图2所示，上述方法还包括：
S210，在多个目标区间中确定待处理数据的特征信息所在的区间；
S220，基于待处理数据的特征信息所在的区间的证据权重，得到待处理数据的特征信息的离散化编码。
其中，证据权重WOE是基于多个样本数据中特征信息处于区间内的目标数据的数量得到的，目标数据可以是符合预设条件的数据，即正样本。
示例性地，可以将特征信息所在的区间的WOE作为该区间对应的离散化编码。
由于WOE是基于多个样本数据中特征信息处于区间内的目标数据的数量得到的，可以反映该区间的预测能力的大小，因此，将WOE作为区间对应的离散化编码，可以在应用该离散化编码预测信息时，提高该离散化编码携带的信息量，提高预测准确性。
可选地，本公开实施例的方法还可以包括对待处理数据的预测过程。具体地，上述方法还可以包括：
利用预设的逻辑回归模型对待处理数据的特征信息的离散化编码进行处理，得到待处理数据对应的预测信息。
示例性地，上述方法可用于算法模型的应用领域中。该算法模型例如是逻辑回归模型。举例而言，上述待处理数据可以是用户数据或产品数据，在基于逻辑回归模型预测用户或产品的相关信息的场景中，可以基于上述方法确定用户或产品的某个特征信息的多个目标区间或者说离散化区间，再基于具体的某个用户或产品的该特征信息的取值以及多个目标区间，确定该用户或产品的离散化编码，从而将该用户或产品的离散化编码作为逻辑回归模型的输入信息，得到逻辑回归模型输出的该用户或产品的相关信息(即上述预测信息)。其中，特征信息例如是用户的年龄、收入金额、消费金额等，或者是产品的售出数量、返修数量等。预测的相关信息例如是用户的消费等级、产品的使用年限等。
根据上述方法，由于在特征信息的分箱过程中实现了信息价值最大化，因此，利用逻辑回归模型对该特征信息的离散化编码进行处理，可以提高待处理数据对应的预测信息的准确性。
在一种示例性的实施方式中，可以根据特征信息的类型，确定初始的待分割取值范围。例如年龄对应的初始的待分割取值范围可以是[0，99]；某产品的售出数量的待分割取值范围可以是[0,X]，其中X为该产品的产量，且X为大于或等于1的整数。
在另一种示例性的实施方式中，可以根据样本数据的取值，确定初始的待分割取值范围。具体地，上述方法还可以包括：基于多个样本数据中的每个样本数据的特征信息，得到初始的待分割取值范围。
例如，用于构建逻辑回归模型的多个用户数据中每个用户数据的年龄的最小值为19，最大值为48，则初始的待分割取值范围可以是[19,48]。
根据该方式，可以根据实际应用场景中的数据特性确定初始的待分割取值范围，提高区间分割效率。并且，也降低冗余的计算量，提高预测效率。
示例性地，上述步骤S110中，确定至少一个候选分割点中每个候选分割点对应的信息价值，包括：
基于至少一个候选分割点中的第i个候选分割点对待分割取值范围进行分割，得到第i个候选分割点对应的两个候选子范围；其中，i为大于或等于1的整数；
基于多个样本数据中的每个样本数据的特征信息，得到两个候选子范围分别对应的信息价值；
基于两个候选子范围分别对应的信息价值，得到第i个候选分割点对应的信息价值。
也就是说，对于每个候选分割点，可以假设基于该候选分割点对待分割取值范围进行分割，两个子范围，分别计算两个子范围的信息价值，再综合两个子范围的信息价值，得到该候选分割点对应的信息价值。
其中，以i代表某个子范围，则子范围i的信息价值可参考如下公式确定：
Figure BDA0003516615300000071
其中，pyi是该子范围中的目标数据的数量与所有样本数据中目标数据的数量之间的比例，pni是这个子范围中非目标数据(即负样本)的数量与所有样本数据中所有非目标数据的数量之间的比例，#yi是这个子范围中目标数据的数量，#ni是这个子范围中非目标数据的数量，#yT是所有样本数据中目标数据的数量，#nT是所有样本数据中非目标数据的数量。
示例性地，可以将两个候选子范围分别对应的信息价值进行加和，得到候选分割点对应的信息价值。
根据上述示例性的实施方式，可以准确计算各分割点对应的信息价值，从而确保特征分箱过程中的信息价值最大化。
示例性地，在本公开实施例中，终止条件包括以下条件中的至少一个：
子范围为相对初始的待分割取值范围的第N级子范围，其中，N为大于或等于2的整数；
子范围包括的特征值的数量小于预设数量；
对子范围进行分割后的信息价值小于子范围的信息价值。
可以理解，本公开实施例的上述迭代分割的方法，采用了决策树的生成思路。迭代得到的子范围相对于初始的待分割取值范围的级别，即该子范围在树中的深度。
示例性地，子范围包括的特征值的数量小于预设数量例如是子范围至包括1个特征值，不可再分割。
实际应用中，可以将满足上述三个条件中的任一个视为满足终止条件。
根据上述示例性的实施方式，若树的深度达到N且/或子范围包括的特征值小于预设数量且/或分割后的子范围信息价值不再提高，则可以终止继续分割。从而避免分割级别过多，提高特征分箱的效率。
下面给出本公开实施例的一个具体的应用示例。
在该应用示例中，多个样本数据如下：
样本数据编号 Y值 年龄 收入 消费金额
1 1 28 12000 3358
2 0 19 8500 2747
3 0 27 11500 4000
4 0 31 9600 1600
5 1 25 14800 11660
6 0 48 5500 900
其中，Y值为1的样本数据为目标数据。Y值为0的为非目标数据。
对年龄进行排序，可以得到以下列表：
Y值 年龄
0 19
1 25
0 27
1 28
0 31
0 48
基于此，初始的待分割取值范围为19～48。依次计算其中每个候选分割点的IV值，例如候选分割点27的IV值计算如下：
年龄 Y＝1数量 Y＝0数量 WOE
年龄<27 1 1 ln[(1/2)/(1/4)]＝0.693
年龄>＝27 1 3 ln[(1/2)/(3/4)]＝-0.41
汇总 2 4
则候选分割点27对应的信息价值为：
IV＝[(1/2)-(1/4)]*0.693+[(1/2)-(3/4)]*(-0.41)＝0.27575。
假设最大IV对应的分割点为26，则可以基于26对19～48进行分割。
然后，在此基础上，若19～25符合终止条件，例如基于19～25中任一分割点分割后得到的信息价值均小于19～25本身的信息价值，则停止分割。若26～48不符合终止条件，则作为新的待分割取值范围，在新的待分割取值范围中继续寻找下一个目标分割点，例如31，则把年龄分成了19～25、26～30、31～48共3个区间，对应的树结构如图3所示。此时，如果设置树深度为3，已达到最大深度，则不再分裂，图3中的叶子节点即为离散化的区间。
之后，用离散化区间对应的样本WOE值做编码，替换原始年龄取值，这样就得到了年龄的特征编码，用于输入逻辑回归模型。全流程图如图4所示。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
作为上述各方法的实现，本公开实施例还提供一种特征信息的处理装置，如图5所示，装置包括：
价值确定模块510，用于在特征信息的待分割取值范围中确定至少一个候选分割点，并确定至少一个候选分割点中每个候选分割点对应的信息价值；
分割点确定模块520，用于基于信息价值，在至少一个候选分割点中确定目标分割点；
分割模块530，用于基于目标分割点对待分割取值范围进行分割，得到待分割取值范围的两个子范围；
子范围迭代模块540，用于将两个子范围中符合终止条件的子范围确定为目标区间，并将两个子范围中不符合终止条件的子范围确定为新的待分割取值范围，返回在待分割取值范围中确定至少一个候选分割点的步骤，直至两个子范围均满足终止条件，得到多个目标区间；其中，多个目标区间用于确定待处理数据的特征信息的离散化编码。
图6是本公开另一实施例提供的特征信息的处理装置，装置包括价值确定模块610、分割点确定模块620、分割模块630、子范围迭代模块640和上述实施例中的价值确定模块510、分割点确定模块520、分割模块530、子范围迭代模块540的功能相同，在此不再详述。
示例性地，如图6所示，装置还包括：
区间确定模块650，用于在多个目标区间中确定待处理数据的特征信息所在的区间；
编码确定模块660，用于基于待处理数据的特征信息所在的区间的证据权重，得到待处理数据的特征信息的离散化编码。
示例性地，如图6所示，装置还包括：
预测模块670，用于利用预设的逻辑回归模型对待处理数据的特征信息的离散化编码进行处理，得到待处理数据对应的预测信息。
可选地，如图7所示，价值确定模块610包括：
范围分割单元711，用于基于至少一个候选分割点中的第i个候选分割点对待分割取值范围进行分割，得到第i个候选分割点对应的两个候选子范围；其中，i为大于或等于1的整数；
价值计算单元712，用于基于多个样本数据中的每个样本数据的特征信息，得到两个候选子范围分别对应的信息价值；
价值汇总单元713，用于基于两个候选子范围分别对应的信息价值，得到第i个候选分割点对应的信息价值。
可选地，如图6所示，装置还包括：
初始范围确定模块680，用于基于多个样本数据中的每个样本数据的特征信息，得到初始的待分割取值范围。
示例性地，终止条件包括以下条件中的至少一个：
子范围为相对初始的待分割取值范围的第N级子范围，其中，N为大于或等于2的整数；
子范围包括的特征值的数量小于预设数量；
对子范围进行分割后的信息价值小于子范围的信息价值。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。
如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如特征信息处理方法。例如，在一些实施例中，特征信息处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的特征信息处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行特征信息处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种特征信息的处理方法，包括：
在特征信息的待分割取值范围中确定至少一个候选分割点，并确定所述至少一个候选分割点中每个候选分割点对应的信息价值；
基于所述信息价值，在所述至少一个候选分割点中确定目标分割点；
基于所述目标分割点对所述待分割取值范围进行分割，得到所述待分割取值范围的两个子范围；
将所述两个子范围中符合终止条件的子范围确定为目标区间，并将所述两个子范围中不符合终止条件的子范围确定为新的待分割取值范围，返回所述在待分割取值范围中确定至少一个候选分割点的步骤，直至所述两个子范围均满足所述终止条件，得到多个目标区间；其中，所述多个目标区间用于确定待处理数据的特征信息的离散化编码。
2.根据权利要求1所述的方法，还包括：
在所述多个目标区间中确定所述待处理数据的特征信息所在的区间；
基于所述待处理数据的特征信息所在的区间的证据权重，得到所述待处理数据的特征信息的离散化编码。
3.根据权利要求1或2所述的方法，还包括：
利用预设的逻辑回归模型对所述待处理数据的特征信息的离散化编码进行处理，得到所述待处理数据对应的预测信息。
4.根据权利要求1-3中任一项所述的方法，其中，所述确定所述至少一个候选分割点中每个候选分割点对应的信息价值，包括：
基于所述至少一个候选分割点中的第i个候选分割点对所述待分割取值范围进行分割，得到所述第i个候选分割点对应的两个候选子范围；其中，i为大于或等于1的整数；
基于多个样本数据中的每个样本数据的特征信息，得到所述两个候选子范围分别对应的信息价值；
基于所述两个候选子范围分别对应的信息价值，得到所述第i个候选分割点对应的信息价值。
5.根据权利要求1-4中任一项所述的方法，其中，所述方法还包括：
基于多个样本数据中的每个样本数据的特征信息，得到初始的待分割取值范围。
6.根据权利要求1-5中任一项所述的方法，其中，所述终止条件包括以下条件中的至少一个：
所述子范围为相对初始的待分割取值范围的第N级子范围，其中，N为大于或等于2的整数；
所述子范围包括的特征值的数量小于预设数量；
对所述子范围进行分割后的信息价值小于所述子范围的信息价值。
7.一种特征信息的处理装置，包括：
价值确定模块，用于在特征信息的待分割取值范围中确定至少一个候选分割点，并确定所述至少一个候选分割点中每个候选分割点对应的信息价值；
分割点确定模块，用于基于所述信息价值，在所述至少一个候选分割点中确定目标分割点；
分割模块，用于基于所述目标分割点对所述待分割取值范围进行分割，得到所述待分割取值范围的两个子范围；
子范围迭代模块，用于将所述两个子范围中符合终止条件的子范围确定为目标区间，并将所述两个子范围中不符合终止条件的子范围确定为新的待分割取值范围，返回所述在待分割取值范围中确定至少一个候选分割点的步骤，直至所述两个子范围均满足所述终止条件，得到多个目标区间；其中，所述多个目标区间用于确定待处理数据的所述特征信息的离散化编码。
8.根据权利要求7所述的装置，还包括：
区间确定模块，用于在所述多个目标区间中确定所述待处理数据的特征信息所在的区间；
编码确定模块，用于基于所述待处理数据的特征信息所在的区间的证据权重，得到所述待处理数据的特征信息的离散化编码。
9.根据权利要求7或8所述的装置，还包括：
预测模块，用于利用预设的逻辑回归模型对所述待处理数据的特征信息的离散化编码进行处理，得到所述待处理数据对应的预测信息。
10.根据权利要求7-9中任一项所述的装置，其中，所述价值确定模块包括：
范围分割单元，用于基于所述至少一个候选分割点中的第i个候选分割点对所述待分割取值范围进行分割，得到所述第i个候选分割点对应的两个候选子范围；其中，i为大于或等于1的整数；
价值计算单元，用于基于多个样本数据中的每个样本数据的特征信息，得到所述两个候选子范围分别对应的信息价值；
价值汇总单元，用于基于所述两个候选子范围分别对应的信息价值，得到所述第i个候选分割点对应的信息价值。
11.根据权利要求7-10中任一项所述的装置，其中，所述装置还包括：
初始范围确定模块，用于基于多个样本数据中的每个样本数据的特征信息，得到初始的待分割取值范围。
12.根据权利要求7-11中任一项所述的装置，其中，所述终止条件包括以下条件中的至少一个：
所述子范围为相对初始的待分割取值范围的第N级子范围，其中，N为大于或等于2的整数；
所述子范围包括的特征值的数量小于预设数量；
对所述子范围进行分割后的信息价值小于所述子范围的信息价值。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202210166903.1A 2022-02-23 2022-02-23 特征信息的处理方法、装置、电子设备和存储介质 Pending CN114491416A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210166903.1A CN114491416A (zh) 2022-02-23 2022-02-23 特征信息的处理方法、装置、电子设备和存储介质
EP22216989.8A EP4134834A1 (en) 2022-02-23 2022-12-28 Method and apparatus of processing feature information, electronic device, and storage medium
US18/148,177 US20230145408A1 (en) 2022-02-23 2022-12-29 Method of processing feature information, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210166903.1A CN114491416A (zh) 2022-02-23 2022-02-23 特征信息的处理方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114491416A true CN114491416A (zh) 2022-05-13

Family

ID=81481823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210166903.1A Pending CN114491416A (zh) 2022-02-23 2022-02-23 特征信息的处理方法、装置、电子设备和存储介质

Country Status (3)

Country Link
US (1) US20230145408A1 (zh)
EP (1) EP4134834A1 (zh)
CN (1) CN114491416A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6505185B1 (en) * 2000-03-30 2003-01-07 Microsoft Corporation Dynamic determination of continuous split intervals for decision-tree learning without sorting
US20040002980A1 (en) * 2002-06-28 2004-01-01 Microsoft Corporation System and method for handiling a continuous attribute in decision trees
CN104217088A (zh) * 2013-05-30 2014-12-17 中国电信股份有限公司 运营商移动业务资源的优化方法与系统
CN108399255A (zh) * 2018-03-06 2018-08-14 中国银行股份有限公司 一种分类数据挖掘模型的输入数据处理方法及装置
CN110245140A (zh) * 2019-06-12 2019-09-17 同盾控股有限公司 数据分箱处理方法及装置、电子设备和计算机可读介质
CN111178675A (zh) * 2019-12-05 2020-05-19 佰聆数据股份有限公司 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备
KR20200097505A (ko) * 2019-02-08 2020-08-19 서울시립대학교 산학협력단 데이터를 분류하는 방법, 프로그램 및 이를 이용한 장치
CN112597629A (zh) * 2020-12-01 2021-04-02 中国电建集团江西省电力设计院有限公司 一种导线覆冰有无决策树模型及对导线覆冰有无判定和预测导线覆冰持续时间的方法
CN113190794A (zh) * 2021-02-07 2021-07-30 广西中青态环境科技有限公司 一种新的数据空间离散化算法
CN113362048A (zh) * 2021-08-11 2021-09-07 腾讯科技（深圳）有限公司 数据标签分布确定方法、装置、计算机设备和存储介质
US20210319366A1 (en) * 2020-12-22 2021-10-14 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus and device for generating model and storage medium

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6505185B1 (en) * 2000-03-30 2003-01-07 Microsoft Corporation Dynamic determination of continuous split intervals for decision-tree learning without sorting
US20040002980A1 (en) * 2002-06-28 2004-01-01 Microsoft Corporation System and method for handiling a continuous attribute in decision trees
US7209924B2 (en) * 2002-06-28 2007-04-24 Microsoft Corporation System and method for handling a continuous attribute in decision trees
CN104217088A (zh) * 2013-05-30 2014-12-17 中国电信股份有限公司 运营商移动业务资源的优化方法与系统
CN108399255A (zh) * 2018-03-06 2018-08-14 中国银行股份有限公司 一种分类数据挖掘模型的输入数据处理方法及装置
KR20200097505A (ko) * 2019-02-08 2020-08-19 서울시립대학교 산학협력단 데이터를 분류하는 방법, 프로그램 및 이를 이용한 장치
WO2020248356A1 (zh) * 2019-06-12 2020-12-17 同盾控股有限公司 数据分箱处理方法及装置、电子设备和计算机可读介质
CN110245140A (zh) * 2019-06-12 2019-09-17 同盾控股有限公司 数据分箱处理方法及装置、电子设备和计算机可读介质
CN111178675A (zh) * 2019-12-05 2020-05-19 佰聆数据股份有限公司 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备
CN112597629A (zh) * 2020-12-01 2021-04-02 中国电建集团江西省电力设计院有限公司 一种导线覆冰有无决策树模型及对导线覆冰有无判定和预测导线覆冰持续时间的方法
US20210319366A1 (en) * 2020-12-22 2021-10-14 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus and device for generating model and storage medium
CN113190794A (zh) * 2021-02-07 2021-07-30 广西中青态环境科技有限公司 一种新的数据空间离散化算法
CN113362048A (zh) * 2021-08-11 2021-09-07 腾讯科技（深圳）有限公司 数据标签分布确定方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潘巍 等: "基于决策的剥离式连续属性离散化算法", 计算机科学, vol. 34, no. 08, 25 August 2007 (2007-08-25), pages 208 - 210 *

Also Published As

Publication number Publication date
EP4134834A1 (en) 2023-02-15
US20230145408A1 (en) 2023-05-11

Similar Documents

Publication Publication Date Title
CN115131566A (zh) 基于超像素和改进模糊c均值聚类的自动图像分割方法
CN114416351B (zh) 资源分配方法、装置、设备、介质及计算机程序产品
CN111209347B (zh) 一种混合属性数据聚类的方法和装置
CN114049162A (zh) 模型训练方法、需求量预测方法、装置、设备和存储介质
CN113904943A (zh) 账号检测方法、装置、电子设备和存储介质
CN114091686B (zh) 数据处理方法、装置、电子设备和存储介质
CN114491416A (zh) 特征信息的处理方法、装置、电子设备和存储介质
CN115563310A (zh) 一种关键业务节点的确定方法、装置、设备及介质
CN115203564A (zh) 信息流推荐方法、装置及计算机程序产品
CN114037060A (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN113961797A (zh) 资源推荐方法、装置、电子设备和可读存储介质
CN114596196A (zh) 点云数据的滤波方法和装置、设备以及存储介质
CN112906723A (zh) 一种特征选择的方法和装置
CN114037057B (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN113762510B (zh) 针对目标模型的数据处理方法、装置、电子设备和介质
CN114418063B (zh) 神经网络模型中网络层的分配方法与装置
CN114037058B (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN114510584B (zh) 文献识别方法、装置、电子设备以及计算机可读存储介质
CN114942996A (zh) 垂直行业数据的三元组构建方法、装置、电子设备及介质
CN114037061A (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN115455019A (zh) 一种基于用户行为分析的搜索意图识别方法、装置及设备
CN114417071A (zh) 节点状态确定方法、装置、设备和存储介质
CN116188063A (zh) 客群创建方法、装置、设备以及存储介质
CN114358288A (zh) 生成知识图谱的方法、信息推荐方法、装置及电子设备
CN115577534A (zh) 一种充电设备复杂性评估方法、装置、设备及存储介质

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