[发明专利]一种无监督机器学习的超参数自动优化方法及系统

权利要求书

1.一种无监督机器学习的超参数自动优化方法，其特征在于，包括：

根据无监督机器学习算法确定所述无监督机器学习算法的算法性能评估模型、所述无监督机器学习算法的超参数、所述超参数的搜索空间和所述超参数优化的评价准则；

根据所述算法性能评估模型、所述搜索空间和所述评价准则确定所述超参数的最优值。

2.根据权利要求1所述的方法，其特征在于，所述根据无监督机器学习算法确定所述无监督机器学习算法的算法性能评估模型、所述无监督机器学习算法的超参数、所述超参数的搜索空间和所述超参数优化的评价准则具体为：

根据无监督机器学习算法在预设知识库中查找所述无监督机器学习算法的算法性能评估模型和所述无监督机器学习算法的超参数，以及所述超参数的搜索空间和所述超参数优化的评价准则；其中，所述预设知识库存储有无监督机器学习算法，以及与所述无监督机器学习算法对应的算法性能评估模型、超参数、超参数的搜索空间和超参数优化的评价准则。

3.根据权利要求2所述的方法，其特征在于，所述预设知识库中存储的无监督机器学习算法超参数的搜索空间根据经验值确定。

4.根据权利要求1所述的方法，其特征在于，所述根据所述算法性能评估模型、所述搜索空间和所述评价准则确定所述超参数的最优值，包括：

根据所述搜索空间，利用所述评价准则，获取多组所述超参数的初始值；

将每组超参数的初始值分别输入至所述无监督机器学习算法，获取多组包含超参数初始值的无监督机器学习算法；

对每组包含超参数初始值的无监督机器学习算法进行训练，获取训练结果；

根据所述训练结果，利用所述算法性能评估模型，确定超参数的最优值，其中，所述超参数的最优值为算法性能最优的一组超参数的初始值。

5.根据权利要求2或3任一项所述的方法，其特征在于，所述预设知识库中存储的无监督机器学习算法至少包括：k中心点算法、CLANRANS算法、平均迭代规约和聚类算法、代表点聚类算法、动态模型算法、高密度连接区域算法、密度分布函数算法、对象排序识别算法、统计信息网络算法、聚类高维空间算法、小波变化算法、Affinity propagation算法、Mean-shift算法、Spectral clustering算法、Ward hierarchical clustering算法、Agglomerative clustering算法。

6.根据权利要求2或3任一项所述的方法，其特征在于，所述预设知识库中存储的无监督机器学习算法超参数优化的评价准则至少包括：赤池信息量准则、贝叶斯信息准则、偏差信息准则。

7.根据权利要求2或3任一项所述的方法，其特征在于，所述预设知识库中存储的无监督机器学习算法的算法性能评估模型至少包括：受试者工作特征曲线模型和聚类有效性分析模型。

8.一种无监督机器学习的超参数自动优化系统，其特征在于，包括：

查询模块，用于根据无监督机器学习算法确定所述无监督机器学习算法的算法性能评估模型、所述无监督机器学习算法的超参数、所述超参数的搜索空间和所述超参数优化的评价准则；

优化模块，用于根据所述算法性能评估模型、所述搜索空间和所述评价准则确定所述超参数的最优值。

9.一种用于自动优化无监督机器学习的超参数的电子设备，其特征在于，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。