[发明专利]一种特征筛选方法及装置

权利要求书

1.一种特征筛选方法，其特征在于，包括：

确定特征集合中特征的机器学习算法权值；其中，特征的机器学习算法权值为：以选取作为样本的特征的值为输入，以特征历史上被选取作为确定业务模型包含的变量的特征的概率值为输出训练指定机器学习算法后，得到的机器学习算法的权值；

根据所述特征的机器学习算法权值，从所述特征集合中筛选用于确定业务模型包含的变量的特征；所述业务模型包含的变量用于实现业务模型的业务功能。

2.如权利要求1所述的方法，其特征在于，确定特征集合中特征的机器学习算法权值，包括：

选取样本构成样本集合；其中所述样本集合中的各样本具备所述特征集合中的部分或全部的特征；

通过分别利用所述样本集合中样本的特征的值对至少两个指定机器学习算法分别进行训练，确定所述特征集合中特征的机器学习算法权值。

3.如权利要求2所述的方法，其特征在于，所述特征集合中的特征，包括：

与待建立的所述业务模型预期实现的业务功能具有关联关系的特征。

4.如权利要求2所述的方法，其特征在于，通过分别利用样本集合中样本的特征的值对至少两个指定机器学习算法分别进行训练，确定所述特征的机器学习算法权值，包括：

通过对所述样本集合中的样本进行抽样，得到至少两个样本子集；所述样本子集由抽样得到的样本构成；

通过利用所述样本子集中的各样本的特征的值对所述至少两个指定机器学习算法分别进行训练，确定所述样本子集中各样本的特征的机器学习算法权值。

5.如权利要求4所述的方法，其特征在于，通过对所述样本集合中的样本进行抽样，包括：

通过重复执行下述操作，以构建出至少两个样本子集：

从所述样本集合中，随机抽取数量小于所述样本集合中所包含样本的数量的样本构建单个样本子集。

6.如权利要求4或5所述的方法，其特征在于，根据所述特征的机器学习算法权值，从所述特征集合中筛选用于确定业务模型包含的变量的特征，包括：

根据所述特征的机器学习算法权值，分别计算所述特征对应的筛选总分；所述筛选总分表示：所述特征被选取作为确定业务模型包含的变量的特征的概率；

根据所述筛选总分，从所述特征集合中筛选用于确定业务模型包含的变量的特征。

7.如权利要求6所述的方法，其特征在于，根据所述特征的机器学习算法权值，分别计算所述特征对应的筛选总分，包括：

根据各样本子集中各样本的特征的机器学习算法权值，计算所述各样本子集中各特征对应的筛选分数；

通过对同一特征在包括该特征的样本子集中对应的筛选分数求和，得到所述各特征对应的筛选总分。

8.一种特征筛选装置，其特征在于，包括：

机器学习算法权值确定单元，用于确定特征集合中特征的机器学习算法权值；其中，特征的机器学习算法权值为：以选取作为样本的特征的值作为输入，以特征历史上被选取作为确定业务模型包含的变量的特征的概率值为输出训练指定机器学习算法后，得到的机器学习算法的权值；

特征筛选单元，用于根据所述部分或全部特征的机器学习算法权值，从所述特征集合中筛选用于确定业务模型包含的变量的特征；所述业务模型包含的 变量用于实现业务模型的业务功能。

9.如权利要求8所述的装置，其特征在于，机器学习算法权值确定单元，用于：

选取样本构成样本集合；其中所述样本集合中的各样本具备所述特征集合中的部分或全部的特征；

通过分别利用所述样本集合中样本的特征的值对至少两个指定机器学习算法分别进行训练，确定所述特征集合中特征的机器学习算法权值。

10.如权利要求9所述的装置，其特征在于，所述特征集合中的各特征，包括：与待建立的所述业务模型预期实现的业务功能具有关联关系的特征。

11.如权利要求9所述的装置，其特征在于，机器学习算法权值确定单元，用于：

通过对所述样本集合中的样本进行抽样，得到至少两个样本子集；所述样本子集由抽样得到的样本构成；

通过利用所述样本子集中的各样本的特征的值对所述至少两个指定机器学习算法分别进行训练，确定所述样本子集中的各样本的特征的机器学习算法权值。