CN117689011B - 一种模型调整方法、装置、设备及存储介质 - Google Patents
一种模型调整方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117689011B CN117689011B CN202311828514.1A CN202311828514A CN117689011B CN 117689011 B CN117689011 B CN 117689011B CN 202311828514 A CN202311828514 A CN 202311828514A CN 117689011 B CN117689011 B CN 117689011B
- Authority
- CN
- China
- Prior art keywords
- super
- sets
- parameters
- coding
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000000126 substance Substances 0.000 claims abstract description 90
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 14
- 238000005457 optimization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004949 mass spectrometry Methods 0.000 description 2
- 229920001184 polypeptide Polymers 0.000 description 2
- 102000004196 processed proteins & peptides Human genes 0.000 description 2
- 108090000765 processed proteins & peptides Proteins 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种模型调整方法、装置、设备及存储介质，涉及数据处理技术领域，包括：获取多组学特征集、初始超参数以及相应超参数的上下限；对多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据上下限对初始超参数进行归一化处理，以得到相应的超参数编码集；对多组学特征编码集和超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对初始种群进行迭代评估，得到适应度最高的目标个体，以便利用目标个体对应的目标多组学特征和目标超参数对相关模型进行调整。这样一来，本申请中针对不同多组学特征组合和超参数组成的种群，可以同时进行特征筛选和超参数调优，提高了相关模型的准确率和调整效率。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种模型调整方法、装置、设备及存储介质。
背景技术
对于复杂疾病的识别、分型或分类，分子指标，即使是整合了多组学指标的训练模型的预测往往准确率也有限。为了提高准确率往往需要对模型进行复杂的特征工程和超参数调优，整个过程耗时耗力且往往提高的性能有限。特别是多组学指标的组合更加多样，使筛选指标的特征工程更为复杂。
多组学数据往往会有高维度的特征，如何筛选每一个组学中的关键特征进入多组学模型来提高模型的准确率并减少过拟合，需要复杂的特征工程进行筛选；不同的超参数组合可以显著影响模型的性能，通过合适的超参数调优，可以使模型在训练数据上表现更好。而目前常用的特征工程和超参数优化是分开的两个过程，但模型的超参数往往和最优特征是相关的，不同的特征组合对应的最佳参数也会不同，因此分开来优化往往无法得到较优的解。
由此可见，如何一次性进行特征筛选和超参数调优是本领域要解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种模型调整方法、装置、设备及存储介质，针对不同多组学特征组合和超参数组成的种群，可以同时进行特征筛选和超参数调优，可以提高模型的准确率和调整效率。其具体方案如下：
第一方面，本申请提供了一种模型调整方法，包括：
获取多组学特征集、初始超参数以及相应超参数的上下限；
对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集；
对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，以便利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整。
可选的，所述对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，包括：
对所述多组学特征集中的不同特征组合进行二进制编码，以利用0或1表征相关特征数据被选中，得到相应的多组学特征编码集。
可选的，所述根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集，包括：
根据所述上下限对所述初始超参数进行归一化处理，得到若干归一化后超参数；
基于预设编码长度对所述若干归一化后超参数进行二进制编码，并对相应的编码后超参数进行随机拼接，以得到与所述初始超参数对应的二进制形式的超参数编码集。
可选的，所述对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，包括：
对所述多组学特征编码集和所述超参数编码集进行随机拼接，得到若干初始个体；
利用0和1对所述若干初始个体中特征数据的编码位进行随机赋值，并将得到的所有个体确定为初始种群，以便利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体。
可选的，所述利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，包括：
利用遗传算法以及预设适应度函数对所述初始种群进行若干次迭代评估，并判断相邻两次迭代评估得到的种群的适应度变化值是否大于预设阈值；
若否，则将最后一次迭代评估得到的适应度最大的个体确定为目标个体。
可选的，所述利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，包括：
利用遗传算法以及预设适应度函数对所述初始种群进行预设数量次迭代评估，并将最后一次迭代评估得到的适应度最大的个体确定为目标个体。
可选的，所述利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整，包括：
对所述目标个体对应的多组学特征编码和超参数编码进行解码处理，以得到目标多组学特征和目标超参数；
基于所述目标多组学特征和所述目标超参数对相关模型进行调整。
第二方面，本申请提供了一种模型调整装置，包括：
数据获取模块，用于获取多组学特征集、初始超参数以及相应超参数的上下限；
数据编码模块，用于对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集；
数据搜索模块，用于对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，以便利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整。
第三方面，本申请提供了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现如上述的模型调整方法。
第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现如上述的模型调整方法。
由此可见，本申请首先获取多组学特征集、初始超参数以及相应超参数的上下限；然后对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集；再对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，以便利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整。这样一来，本申请可以将不同多组学特征和超参数的组合作为搜索范围，构成高维度的解空间，后续利用遗传算法同时进行特征筛选和超参数调优，利用最终得到的目标个体对应的特征和超参数对相关模型进行调整，有着更高的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种模型调整方法流程图；
图2为本申请公开的一种具体的模型调整方法流程图；
图3为本申请公开的一种模型调整装置结构示意图；
图4为本申请公开的一种电子设备结构图。
具体实施方式
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
参见图1所示，本发明实施例公开了一种模型调整方法，包括：
步骤S11、获取多组学特征集、初始超参数以及相应超参数的上下限。
需要指出的是，目前常用的技术是将超参数优化和特征筛选这两个过程分开，先后在各自解空间上寻找最优解，然后将两组解一起用于模型训练。这种方式搜索的解空间维度较低，搜索到的解可能并不是较好的优化解。而本申请可以将多组学特征集的特征筛选和作为连续变量的模型超参数调优一起进行，从而让搜索算法在更高维度的解空间上进行搜索。本申请首先获取多组学特征集、一组初始超参数和相应超参数的上下限。可以理解的是，获取多组学特征集之前，可以对每个组学中的特征数据进行数据预处理，具体可以是数据清洗、数据标准化、冗余特征剔除等操作；这样可以得到多组学特征集的各个组学特征子集。
步骤S12、对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集。
在具体的实施例中，所述对所述多组学特征集的特征子集进行二进制编码，得到相应的多组学特征编码集，可以包括：对所述多组学特征集的特征子集进行二进制编码，以利用0或1表征相关特征数据被选中，得到相应的多组学特征编码集。具体的，可以用0和1分别对多组学特征集的各个组学特征子集的特征数据进行随机编码，一个特征对应一个二进制编码位；用0和1表征各组学特征集中的组学特征是否被选中，具体可以用1表征被选中，0表示未被选中。
相应的，在具体的实施例中，所述根据所述上下限对所述初始超参数进行归一化处理，得到相应的超参数编码集，可以包括：根据所述上下限对所述初始超参数进行归一化处理，得到若干归一化后超参数；基于预设编码长度对所述若干归一化后超参数进行二进制编码，并对相应的编码后超参数进行随机拼接，以得到与所述初始超参数对应的二进制形式的超参数编码集。具体的，可以根据超参数对应的上下限以及预设的搜索步长对初始超参数进行归一化处理，可以得到若干归一化后超参数；之后再对归一化后超参数进行二进制编码，根据预设编码长度控制该二进制编码过程，并且对编码后超参数进行拼接，以得到与初始超参数对应的二进制形式的超参数编码集。
步骤S13、对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，以便利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整。
本申请中，通过前述步骤可以得到多组学特征编码集和超参数编码集，然后对组学多组学特征编码集和超参数编码集进行随机拼接，以基于遗传算法得到用于交叉迭代搜索的初始种群。之后可以利用遗传算法对初始种群中的个体的适应度进行迭代评估，以得到适应度最高的目标个体。进一步的，再利用目标个体对应的目标多组学特征和目标超参数对相关模型进行调整。
在一种具体的实施例中，所述对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，可以包括：对所述多组学特征编码集和所述超参数编码集进行随机拼接，得到若干初始个体；利用0和1对所述若干初始个体中特征数据的编码位进行随机赋值，并将得到的所有个体确定为初始种群，以便利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体。具体的，首先对多组学特征编码集和超参数编码集进行随机拼接，这样可以得到拼接后的若干个初始个体；进一步的，对初始个体中的单个特征数据对应的编码位（前述实施例中表征该特征数据是否被选中的编码位）进行随机赋值0或1，以得到新的个体，然后将得到的所有个体确定为初始种群，后续可以利用遗传算法对初始种群中的个体的适应度进行评估。
在另一种具体的实施例中，所述利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，可以包括：利用遗传算法以及预设适应度函数对所述初始种群进行若干次迭代评估，并判断相邻两次迭代评估得到的种群的适应度变化值是否大于预设阈值；若否，则将最后一次迭代评估得到的适应度最大的个体确定为目标个体。具体的，利用遗传算法对初始种群中的个体的适应度进行若干次迭代评估；可以理解的是，遗传算法的迭代会进行交叉变异，可以产生新个体和群体（如对个体的编码区域进行交换，或对个体的编码位取反等操作）；迭代得到一系列新的个体后重新计算适应度。在具体实施例中，可以在相邻两次迭代评估得到的迭代种群的适应度最高的个体的适应度变化值是否大于预设阈值，若不大于，则可以将最后一次迭代评估得到的适应度最大的个体确定为目标个体。相应的，若相邻两次迭代评估得到的迭代种群的适应度变化值大于预设阈值，则继续进行下一次的迭代评估过程。
在又一种具体的实施例中，所述利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，可以包括：利用遗传算法以及预设适应度函数对所述初始种群进行预设数量次迭代评估，并将最后一次迭代评估得到的适应度最大的个体确定为目标个体。具体的，本实施例中可以利用遗传算法对初始种群进行一定次数的迭代评估，仅进行预设数量次数的迭代评估，并将最后一次迭代评估得到的适应度最大的个体确定为目标个体。
进一步的，在具体的实施例中，所述利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整，可以包括：对所述目标个体对应的多组学特征编码和超参数编码进行解码处理，以得到目标多组学特征和目标超参数；基于所述目标多组学特征和所述目标超参数对相关模型进行调整。具体的，得到目标个体之后，需要对目标个体对应的多组学特征编码和超参数编码进行解码处理，这样可以得到相应的目标多组学特征和目标超参数；之后可以根据目标多组学特征和目标超参数建立相关的训练模型，这样实现了超参数调优和特征筛选的同时进行，提高了模型准确率和调整效率。
由此可见，本申请可以将多组学特征的组合和参数的组合作为搜索范围，构成高维度的解空间，后续利用遗传算法同时进行特征筛选和超参数调优，利用最终得到的目标个体对应的特征和超参数对相关模型进行调整，有着更高的效率。
参见图2所示，本发明实施例公开了一种模型调整方法，包括：
本申请实施例中，首先获取多组学特征集和初始超参数以及相应超参数的上下限，其中，需要对初始的多组学特征集的数据（疾病队列样本的多组学数据，以及该疾病队列样本的分组标签）进行预处理，可以包括数据清洗、数据标准化、冗余特征剔除。具体的，数据清洗是对于数据缺失值进行填充，删除每个组学子集样本中缺失量大于预设缺失阈值的样本，删除每个组学子集样本中的离散值大于预设离散阈值的样本，保留每个组学都没有删失的样本组成多组学样本集；数据标准化是对于数据进行规范化，统一量纲；冗余特征剔除是对于维度较高的组学特征数据集进行特征剔除，剔除小于一定阈值的特征，去除冗余特征，加速计算；这样一来，可以得到各个组学各自的组学特征数据子集，即上述实施例中的特征子集。
本实施例中，得到多组学特征集后，需要对多组学特征集的中不同的特征组合进行二进制编码，每个特征数据对应一个二进制编码位，可以用1表示该特征被选中，0表示未被选中（也可用相反的编码方式），这样用一串二进制编码表征单个多组学特征集中各个特征数据的选中情况，可以建立多组学特征编码集。
相应的，本实施例中将需要优化的每个初始超参数根据其上下限和预设编码长度归一化并编码成二进制形式，每个参数编码的长度由参数搜索的精度决定，搜索精度越高则编码越长。之后对各个编码后超参数进行随机拼接，可以得到与初始超参数对应的超参数编码集。
进一步的，需要将超参数编码集，与多组学特征编码集进行随机拼接，得到若干个编码集（初始个体），并可以再次对每一个拼接后的编码集中各特征数据对应的编码位进行随机赋值0或1，最终形成包含不同个体的初始种群（用于迭代的候选种群）。这些个体即为候选的数据集，对应一组多组学特征和一组超参数。再进一步的，可以利用搜索算法（如遗传算法）对候选种群每个个体进行适应度进行评估、并迭代产生新个体和群体（如对个体或群体进行选择、交叉、变异等操作），重新评估，循环迭代，直到筛选到符合预期的个体，或者评估值优化陷入停滞，停止循环，最终迭代得到的群体中最佳评估值的个体即为最终的优化个体，即目标个体。之后将目标个体的编码逆向还原为各个组学中选中的特征组合以及相应的超参数，并利用最终得到的特征数据和超参数建立训练模型，最终实现超参数特征数据的同时优化，实现效率更高的模型调优过程。
在一种具体的实施例中，具体使用一个含762例健康对照和262例肿瘤患者血清样本的队列，分别进行多肽组学质谱检测和代谢组学质谱检测获得多肽组学和代谢组学数据。对初始的多组学数据进行预处理，对于数据缺失值进行填充，删除每个组学子集样本中缺失量大于预设缺失阈值的样本，删除每个组学子集样本中的离散值大于预设离散阈值的样本，保留每个组学都没有删失的样本组成多组学样本集，对数据进行归一化和标准化处理，剔除FDR（False Discovery Rate，错误发现率）值小于0.01的特征，形成各个组学各自的组学特征数据子集。其中多肽组学200个特征，代谢组学233个特征。对多肽组学200个特征，代谢组学233个特征的选中情况（即特征组合）分别进行二进制编码并拼接成433位的二进制特征组合编码集，每位随机赋值1或0，其中1代表特征被选中，0代表未被选中。本实施例使用径向基核（Radial Basis Function，RBF）训练支持向量机（Support VectorMachines，SVM）分类器，SVM的一组超参数分别为：核函数的缩放值S、支持向量数量约束值B、罚分系数值C。这组超参数S、B、C对应的上下限分别为[0.001,100]、[0.001,2000]、[0.001,20]，搜索步长均设为15，归一化映射到[0，15]，各自进行5位的二进制编码，并拼接成15位的二进制超参数编码集，每位随机赋值1或0。这样共得到包含特征和超参数优化的448位的二进制编码，对每个位数上进行随机赋值获得初始个体及含100个不同初始个体的初始种群。利用遗传算法和预设适应度函数对初始种群进行迭代以提高种群整体适应度，在100次迭代后适应度趋于平稳，在最后一次迭代产生的种群中选择适应度最高的目标个体，这个目标个体的编码解码后为对多肽组学筛选了134个特征，代谢组学筛选了77个特征，三个参数分别为46.67,800和5.55。利用这些特征组合和这组超参数建立的支持向量机模型，模型经5倍交叉验证的特异性为88.5%（669/762），敏感性为87.8%(232/262)，优化用时120秒。而通过分别进行特征筛选和超参数优化的方式，得到的支持向量机模型的5倍交叉验证的特异性为87.4%（666/762），敏感性为86.6%(227/262)，优化用时133秒。可见本方案同时进行多组特征筛选和多组超参数调优，能够提高模型的调整效率和准确率。
由此可见，本申请将多组学特征集的特征进行组合筛选，与作为连续变量的超参数调优一起进行，从而让搜索算法在更高维度的解空间上进行搜索，搜索过程同时兼顾每一个组学的所有特征和模型的各种参数的不同组合，使模型总体的预测损失最小化，避免各个组学特征组合及不同参数各种分开搜索时，造成的无法进行全局搜索寻找更优解的情况。
如图3所示，本申请实施例公开了一种模型调整装置，包括：
数据获取模块11，获取多组学特征集、初始超参数以及相应超参数的上下限；
数据编码模块12，用于对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集；
数据搜索模块13，用于对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，以便利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整。
由此可见，本申请可以将不同多组学特征和超参数的组合作为搜索范围，构成高维度的解空间，后续利用遗传算法同时进行特征筛选和超参数调优，利用最终得到的目标个体对应的特征和超参数对相关模型进行调整，有着更高的效率。
在一种具体的实施例中，所述数据编码模块12，可以包括：
特征编码单元，用于对所述多组学特征集中的不同特征组合进行二进制编码，以利用0或1表征相关特征数据被选中，得到相应的多组学特征编码集。
在一种具体的实施例中，所述数据编码模块12，可以包括：
归一化处理单元，用于根据所述上下限对所述初始超参数进行归一化处理，得到若干归一化后超参数；
超参数编码单元，用于基于预设编码长度对所述若干归一化后超参数进行二进制编码，并对相应的编码后超参数进行随机拼接，以得到与所述初始超参数对应的二进制形式的超参数编码集。
在一种具体的实施例中，所述数据搜索模块13，可以包括：
个体确定单元，用于对所述多组学特征编码集和所述超参数编码集进行随机拼接，得到若干初始个体；
种群确定单元，用于利用0和1对所述若干初始个体中特征数据的编码位进行随机赋值，并将得到的所有个体确定为初始种群，以便利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体。
在一种具体的实施例中，所述数据搜索模块13，可以包括：
第一适应度评估单元，用于利用遗传算法以及预设适应度函数对所述初始种群进行若干次迭代评估，并判断相邻两次迭代评估得到的种群的适应度变化值是否大于预设阈值；
目标个体确定单元，用于当相邻两次迭代评估得到迭代种群的适应度变化值不大于预设阈值时，将最后一次迭代评估得到的适应度最大的个体确定为目标个体。
在一种具体的实施例中，所述数据搜索模块13，可以包括：
第二适应度评估单元，用于利用遗传算法以及预设适应度函数对所述初始种群进行预设数量次迭代评估，并将最后一次迭代评估得到的适应度最大的个体确定为目标个体。
在一种具体的实施例中，所述数据搜索模块13，可以包括：
解码单元，用于对所述目标个体对应的多组学特征编码和超参数编码进行解码处理，以得到目标多组学特征和目标超参数；
模型调整单元，用于基于所述目标多组学特征和所述目标超参数对相关模型进行调整。
进一步的，本申请实施例还公开了一种电子设备，图4是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图4为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的模型调整方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的模型调整方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的模型调整方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种模型调整方法，其特征在于，包括：
获取多组学特征集、初始超参数以及相应超参数的上下限；
对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集；
对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，以便利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整；
其中，所述对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，包括：
对所述多组学特征集中的不同特征组合进行二进制编码，以利用0或1表征相关特征数据被选中，得到相应的多组学特征编码集；所述特征组合包括多个组学的若干特征；
其中，所述对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，包括：
对所述多组学特征编码集和所述超参数编码集进行随机拼接，得到若干初始个体；
利用0和1对所述若干初始个体中特征数据的编码位进行随机赋值，并将得到的所有个体确定为初始种群，以便利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体。
2.根据权利要求1所述的模型调整方法，其特征在于，所述根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集，包括：
根据所述上下限对所述初始超参数进行归一化处理，得到若干归一化后超参数；
基于预设编码长度对所述若干归一化后超参数进行二进制编码，并对相应的编码后超参数进行随机拼接，以得到与所述初始超参数对应的二进制形式的超参数编码集。
3.根据权利要求1所述的模型调整方法，其特征在于，所述利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，包括：
利用遗传算法以及预设适应度函数对所述初始种群进行若干次迭代评估，并判断相邻两次迭代评估得到的种群的适应度变化值是否大于预设阈值；
若否，则将最后一次迭代评估得到的适应度最大的个体确定为目标个体。
4.根据权利要求1所述的模型调整方法，其特征在于，所述利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，包括：
利用遗传算法以及预设适应度函数对所述初始种群进行预设数量次迭代评估，并将最后一次迭代评估得到的适应度最大的个体确定为目标个体。
5.根据权利要求1至4任一项所述的模型调整方法，其特征在于，所述利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整，包括：
对所述目标个体对应的多组学特征编码和超参数编码进行解码处理，以得到目标多组学特征和目标超参数；
基于所述目标多组学特征和所述目标超参数对相关模型进行调整。
6.一种模型调整装置，其特征在于，包括：
数据获取模块，用于获取多组学特征集、初始超参数以及相应超参数的上下限；
数据编码模块，用于对所述多组学特征集的不同特征组合进行二进制编码，得到相应的多组学特征编码集，并根据所述上下限对所述初始超参数进行归一化处理，以得到相应的超参数编码集；
数据搜索模块，用于对所述多组学特征编码集和所述超参数编码集进行随机拼接，以得到初始种群，并利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体，以便利用所述目标个体对应的目标多组学特征和目标超参数对相关模型进行调整；
其中，所述数据编码模块，包括：
特征编码单元，用于对所述多组学特征集中的不同特征组合进行二进制编码，以利用0或1表征相关特征数据被选中，得到相应的多组学特征编码集；所述特征组合包括多个组学的若干特征；
其中，所述数据搜索模块，包括：
个体确定单元，用于对所述多组学特征编码集和所述超参数编码集进行随机拼接，得到若干初始个体；
种群确定单元，用于利用0和1对所述若干初始个体中特征数据的编码位进行随机赋值，并将得到的所有个体确定为初始种群，以便利用遗传算法对所述初始种群进行迭代评估，得到适应度最高的目标个体。
7.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至5任一项所述的模型调整方法。
8.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的模型调整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311828514.1A CN117689011B (zh) | 2023-12-28 | 2023-12-28 | 一种模型调整方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311828514.1A CN117689011B (zh) | 2023-12-28 | 2023-12-28 | 一种模型调整方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689011A CN117689011A (zh) | 2024-03-12 |
| CN117689011B true CN117689011B (zh) | 2024-05-03 |
Family
ID=90131932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311828514.1A Active CN117689011B (zh) | 2023-12-28 | 2023-12-28 | 一种模型调整方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689011B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104572993A (zh) * | 2015-01-06 | 2015-04-29 | 浪潮电子信息产业股份有限公司 | 一种基于遗传算法的分类算法参数优化方法 |
| CN111612528A (zh) * | 2020-04-30 | 2020-09-01 | 中国移动通信集团江苏有限公司 | 用户分类模型的确定方法、装置、设备及存储介质 |
| CN113095424A (zh) * | 2021-04-21 | 2021-07-09 | 深圳索信达数据技术有限公司 | 特征选择方法、装置、计算机设备及存储介质 |
| CN114241346A (zh) * | 2022-02-10 | 2022-03-25 | 山东极视角科技有限公司 | 一种图像去重超参数优化方法、装置、设备及存储介质 |
| CN115346663A (zh) * | 2022-08-29 | 2022-11-15 | 王正 | 一种筛查消化系统肿瘤的方法 |
| CN116305939A (zh) * | 2023-03-17 | 2023-06-23 | 中国科学院新疆生态与地理研究所 | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220121924A1 (en) * | 2020-10-21 | 2022-04-21 | International Business Machines Corporation | Configuring a neural network using smoothing splines |
-
2023
- 2023-12-28 CN CN202311828514.1A patent/CN117689011B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104572993A (zh) * | 2015-01-06 | 2015-04-29 | 浪潮电子信息产业股份有限公司 | 一种基于遗传算法的分类算法参数优化方法 |
| CN111612528A (zh) * | 2020-04-30 | 2020-09-01 | 中国移动通信集团江苏有限公司 | 用户分类模型的确定方法、装置、设备及存储介质 |
| CN113095424A (zh) * | 2021-04-21 | 2021-07-09 | 深圳索信达数据技术有限公司 | 特征选择方法、装置、计算机设备及存储介质 |
| CN114241346A (zh) * | 2022-02-10 | 2022-03-25 | 山东极视角科技有限公司 | 一种图像去重超参数优化方法、装置、设备及存储介质 |
| CN115346663A (zh) * | 2022-08-29 | 2022-11-15 | 王正 | 一种筛查消化系统肿瘤的方法 |
| CN116305939A (zh) * | 2023-03-17 | 2023-06-23 | 中国科学院新疆生态与地理研究所 | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于粒子群优化的生物组学数据分类模型选择;杨峻山;纪震;谢维信;朱泽轩;;深圳大学学报(理工版);20160530(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689011A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8700548B2 (en) | Optimization technique using evolutionary algorithms | |
| US20080154808A1 (en) | Use and construction of time series interactions in a predictive model | |
| CN112579462B (zh) | 测试用例获取方法、系统、设备及计算机可读存储介质 | |
| CN112164426A (zh) | 基于TextCNN的药物小分子靶点活性预测方法和装置 | |
| Bernhard et al. | Clickstream prediction using sequential stream mining techniques with Markov chains | |
| CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
| CN111062524A (zh) | 基于优化遗传算法的景区短期客流量的预测方法及系统 | |
| CN113723115A (zh) | 基于预训练模型的开放域问答预测方法及相关设备 | |
| CN117689011B (zh) | 一种模型调整方法、装置、设备及存储介质 | |
| Shestopaloff et al. | MCMC for non-linear state space models using ensembles of latent sequences | |
| CN113076089B (zh) | 一种基于对象类型的api补全方法 | |
| CN112801271B (zh) | 生成神经网络的方法、数据处理方法、智能行驶控制方法 | |
| KR102515090B1 (ko) | 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템 | |
| US20230053844A1 (en) | Improved Quality Value Compression Framework in Aligned Sequencing Data Based on Novel Contexts | |
| CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
| CN110147881B (zh) | 语言处理方法、装置、设备及存储介质 | |
| CN116680390B (zh) | 一种词汇联想推荐方法及系统 | |
| CN117349670B (zh) | 一种肿瘤检测模型训练系统、方法、设备及存储介质 | |
| CN113469244B (zh) | 小众app分类系统 | |
| US20220405599A1 (en) | Automated design of architectures of artificial neural networks | |
| Jorgensen et al. | Wallace's approach to unsupervised learning: the Snob program | |
| US20230032634A1 (en) | Aggregating a dataset into a function term with the aid of transformer networks | |
| CN116541605A (zh) | 向量更新方法、推荐方法、装置、电子设备及存储介质 | |
| CN114742053A (zh) | 一种处理方法以及装置 | |
| CN116821901A (zh) | 一种rop数据样本扩展方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |