[发明专利]一种变量分组方法及相关设备

说明书

本发明实施例公开了一种变量分组方法及相关设备，所述方法应用于机器学习技术领域，包括：将变量对应的多个取值依照预设顺序排列，并根据每个取值的排列顺序创建每个取值对应的索引。进一步地，可以依照预设划分规则将第一索引至第n索引之间的索引区域划分为至少一种区域组，并确定变量在至少一种区域组中每种区域组下的皮尔森卡方统计量，从至少一种区域组中确定出对应的皮尔森卡方统计量最大的目标区域组，进而基于目标区域组对变量进行分组。采用本申请，可以对变量进行离散化分组，有利于增大变量的皮尔森卡方统计量，提高该变量所构建数据安全模型输出结果的准确率。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种变量分组方法及相关设备。

背景技术

防止数据泄露对每个企业来说都是比较棘手的问题，一般情况下，企业会通过建立数据安全模型对企业员工的数据使用情况进行监控。在数据安全模型的建模过程中，通常涉及到对变量(例如员工账户健康度)的离散化，离散化后得到的类别型变量与目标变量之间关联性强弱决定了最终模型输出结果的准确性。皮尔逊卡方(PearsonChi-square)统计量是衡量类别型变量与目标变量之间关联性的指标，构建模型所采用变量的皮尔逊卡方统计量越大，类别型变量与目标变量之间关联性越强，则构建后模型的输出结果越准确。

对于同一个变量而言，采用不同的分组方式进行分组，得到的皮尔逊卡方统计量存在差异。目前，对变量进行分组通常采用的方法为等容分组方法，但采用该方法分组得到变量的皮尔逊卡方统计量较低。因此，如何更好的对变量进行分组，以提高模型输出结果的准确率，成为一个亟待解决的问题。

发明内容

本发明实施例提供了一种变量分组方法及相关设备，有利于增大变量的皮尔森卡方统计量，提高该变量所构建数据安全模型输出结果的准确率。

第一方面，本发明实施例提供了一种变量分组方法，该方法包括：

将变量对应的多个取值依照预设顺序排列，并根据每个取值的排列顺序创建所述每个取值对应的索引；

依照预设划分规则将第一索引至第n索引之间的索引区域划分为至少一种区域组，每种区域组表征了对所述索引区域的一种划分方式，所述每种区域组包括至少两个区域，所述第一索引对应取值的排列顺序为1，所述第n索引对应取值的排列顺序为n，所述n为大于或者等于1的整数；

确定所述变量在所述每种区域组下的皮尔森卡方统计量，并从所述至少一种区域组中确定出皮尔森卡方统计量最大的目标区域组；

基于所述目标区域组对所述变量进行分组。

在一个实施例中，所述依照预设划分规则将第一索引至第n索引之间的索引区域划分为至少一种区域组的具体实施方式为：依照预设划分规则对第一索引至第n索引之间的索引区域进行递归分割，得到至少一种区域组。

在一个实施例中，所述确定所述变量在所述至少一种区域组中每种区域组下的皮尔森卡方统计量的具体实施方式为：获取预先存储的所述变量在第一区域组下各个区域的皮尔森卡方统计量，所述第一区域组是所述至少一种区域组中的任一种，各个区域对应的样本量大于或等于预设样本量阈值；对所述各个区域的皮尔森卡方统计量进行求和，并将求和结果确定为所述变量在所述第一区域组下的皮尔森卡方统计量。

在一个实施例中，所述获取预先存储的所述变量在第一区域组下各个区域的皮尔森卡方统计量之前，还可以基于所述预设样本量阈值对所述第一索引至第n索引之间的索引区域进行划分，得到所述索引区域对应的至少两个子区域，每个子区域对应的样本量大于或者等于所述预设样本量阈值；计算所述变量在各个子区域下的皮尔森卡方统计量，并将各个子区域与对应的皮尔森卡方统计量关联存储；