[发明专利]机器学习模型的训练数据处理方法、装置和计算机设备

说明书

本申请提供一种机器学习模型的训练数据处理方法、装置和计算机设备，其涉及机器学习模型训练技术领域，所述机器学习模型的训练数据处理方法，包括以下步骤：获取更新后的机器学习模型的训练数据的特征参数集合；其中，所述特征参数集合包括多个备选的特征参数；根据所述机器学习模型的类型和特征参数的类型确定需要选择的所述特征参数的范围；在所述特征参数的范围内，依次从所述特征参数集合中选择特征参数输入所述机器学习模型进行训练；获取所述机器学习模型的输出结果，计算所述输出结果的AUC值，根据所述AUC值从所述特征参数集合中选择目标特征参数作为训练数据。本申请所提供的机器学习模型的训练数据处理方案能提高模型训练的效率。

技术领域

本申请涉及机器学习模型训练技术领域，具体而言，本申请涉及一种机器学习模型的训练数据处理方法、装置和计算机设备。

背景技术

在机器学习模型的训练过程中，需要向机器学习模型新增或修改特征。为了增加机器学习的训练样本，需要对特征增加不同的变量，或者是通过不同的特征的组合，并逐一输入至机器学习模型，经过繁琐的训练和等待，训练效率低。

发明内容

为了克服目前机器学习模型训练效率低的问题，特提出以下技术方案：

第一方面，本申请提供的机器学习模型的训练数据处理方法，包括以下步骤：

获取更新后的机器学习模型的训练数据的特征参数集合；其中，所述特征参数集合包括多个备选的特征参数；

根据所述机器学习模型的类型和特征参数的类型确定需要选择的所述特征参数的范围；

在所述特征参数的范围内，依次从所述特征参数集合中选择特征参数输入所述机器学习模型进行训练；

获取所述机器学习模型的输出结果，计算所述输出结果的AUC值，根据所述AUC值从所述特征参数集合中选择目标特征参数作为训练数据。

在其中一个实施例中，所述获取更新后的机器学习模型的训练数据的特征参数集合的步骤，包括：

获取所述机器学习模型的训练数据的新增或修改的特征参数，对特征参数集合进行更新。

在其中一个实施例中，所述特征参数的范围内，依次从所述特征参数集合中选择特征参数输入所述机器学习模型进行训练的步骤，包括：

根据所述特征参数的颗粒度，确定所述特征参数的范围内的相邻两次获取的特征参数的间隔；

根据所述特征参数的间隔，在所述特征参数的范围内依次获取各个特征参数。

在其中一个实施例中，所述根据所述机器学习模型的类型和特征参数的类型确定需要选择的所述特征参数的范围的步骤，包括：

根据所述机器学习模型的类型，确认新增或修改的特征参数的取值特征；

根据所述新增或修改的特征参数的取值特征，确定需要选择的所述特征参数的范围。

在其中一个实施例中，所述根据所述特征参数的间隔，在所述特征参数的范围内依次获取各个特征参数的步骤，包括：

当所述机器学习模型的训练数据新增或修改的特征参数为连续的特征参数，在所述特征参数的范围内，根据特征参数的间隔依次获取每个特征参数；

将每个特征参数输入所述机器学习模型进行训练。

在其中一个实施例中，所述根据所述特征参数的间隔，在所述特征参数的范围内依次获取各个特征参数的步骤，包括：

所述机器学习模型的训练需要多个特征参数进行训练时，所述特征参数包括是离散型的特征数量；

在所述特征参数的范围内，依次从所述特征参数集合中获取对应特征数量的特征参数的组合，并输入所述机器学习模型进行训练。