[发明专利]集成模型的失效判断方法及装置和计算机可读存储介质

权利要求书

1.一种集成模型的失效判断方法，其特征在于，所述集成模型的失效判断方法包括以下步骤：

将多个数据集依次输入集成模型中的各个学习器中，以获取多个的学习结果；

根据各个所述学习结果计算验证数值，并判断所述验证数值是否匹配预设阈值，其中，所述验证数值为目标平均方差或平均一致率；

在所述验证数值不匹配预设阈值时，判定所述集成模型失效。

2.如权利要求1所述的集成模型的失效判断方法，其特征在于，所述集成模型应用于回归任务，所述根据各个所述学习结果计算验证数值，并判断所述验证数值是否匹配预设阈值的步骤包括：

对各个所述学习结果进行计算，得到目标平均方差；

判断所述目标平均方差是否大于预设方差阈值，其中，在所述目标平均方差大于预设方差阈值时，判定所述验证数值不匹配预设阈值。

3.如权利要求2所述的集成模型的失效判断方法，其特征在于，所述对各个所述学习结果进行计算，得到目标平均方差的步骤包括：

计算各个所述学习结果对应的回归均值；

根据所述回归均值以及各个所述学习结果对应的回归值，计算各个所数据集对应的回归方差；

根据各个所述回归方差计算平均回归方差，并将所述平均回归方差作为目标平均方差。

4.如权利要求2所述的集成模型的失效判断方法，其特征在于，所述对各个所述学习结果进行计算，得到目标平均方差的步骤包括：

获取各个所述学习器对应的权重；

根据所述权重，对各个所述学习结果进行加权回归均值的计算，以得到加权回归均值；

根据所述权重，对所述加权回归均值以及各个所述学习结果对应的回归值进行加权回归方差的计算，以得到各个所述数据集对应的加权回归方差；

根据各个所述加权回归方差计算加权平均方差，并将所述加权平均方差作为目标平均方差。

5.如权利要求1所述的集成模型的失效判断方法，其特征在于，所述集成模型应用于分类任务，所述根据各个所述学习结果计算验证数值，并判断所述验证数值是否匹配预设阈值的步骤包括：

计算各个所述学习结果对应的平均一致率；

判断所述平均一致率是否小于预设一致率阈值，其中，在所述平均一致率小于预设一致率阈值时，判定所述验证数值不匹配所述预设阈值。

6.如权利要求5所述的集成模型的失效判断方法，其特征在于，所述计算各个所述学习结果对应的平均一致率的步骤包括：

根据所述数据集在各个所述学习器上的学习结果的一致率，计算各个所述数据集对应的一致率；

根据各个所述数据集对应的一致率，计算所述平均一致率。

7.如权利要求6所述的集成模型的失效判断方法，其特征在于，所述根据所述数据集在各个所述学习器上的学习结果的一致率，计算各个所述数据集对应的一致率的步骤包括：

依次将各个所述数据集作为目标数据集，并在各个所述学习结果中，确定所述目标数据集在所述学习器上的目标学习结果；

将相同的所述目标学习结果添加至同一集合中，以得到多个集合，并将含有所述目标学习结果最多的集合作为目标集合；

确定所述目标集合中目标学习结果的第一数量，并确定各个所述学习器的第二数量；

根据所述第一数量以及所述第二数量，计算所述目标数据集对应的一致率。

8.如权利要求1-7任一项所述的集成模型的失效判断方法，其特征在于，所述根据各个所述学习结果计算验证数值，并判断所述验证数值是否匹配预设阈值的步骤包括：

确定所述集成模型的类型；

在所述集成模型为回归集成模型时，对各个所述学习结果进行计算，以得到目标平均方差，并判断所述目标平均方差是否大于预设方差阈值，其中，在所述目标平均方差大于预设方差阈值时，判定所述验证数值不匹配预设阈值；

在所述集成模型为分类集成模型时，计算各个所述学习结果对应的平均一致率，并判断所述平均一致率是否小于预设一致率阈值，其中，在所述平均一致率小于预设一致率阈值时，判定所述验证数值不匹配所述预设阈值。