[发明专利]逐步模型选择方法、设备及可读存储介质

说明书

本申请公开了一种逐步模型选择方法、设备及可读存储介质，所述逐步模型选择方法包括：接收与服务端关联的客户端发送的配置参数并获取待训练特征集，并基于待训练特征集和配置参数对预设待训练模型进行训练，获得第一初始训练模型，分别计算待训练特征集对应的第一类型显著性和第二类型显著性，分别基于各第一类型显著性和各第二类型显著性，对第一初始训练模型进行循环训练，获得循环训练模型集，基于配置参数，在第一初始训练模型和循环训练模型集之中选取目标训练模型，生成目标训练模型对应的可视化数据，并将可视化数据反馈至所述客户端。本申请解决了现有技术中逐步选择模式建模门槛高和效率低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的机器学习技术领域，尤其涉及一种逐步模型选择方法、设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能的不断发展，机器学习建模的应用也越来越广泛，在现有技术中，金融风控、医疗模型等场景通常会使用逻辑回归模型建模，而在逻辑回归模型建模中，逐步选择模式是一种重要的模型选择策略，相比全部特征加入模型训练，能有效的防止模型过拟合，但是，当前的逐步选择模式通常需求建模人员具备较高的代码开发能力，且只能进行单机实现，也即，当前的逐步选择模式的实施对建模人员具有较高的门槛要求，且由于只能进行单机实现进而导致逐步选择模式的建模时间长，建模效率较低，所以，现有技术中存在逐步选择模式建模门槛高和效率低的技术问题。

发明内容

本申请的主要目的在于提供一种逐步模型选择方法、设备及可读存储介质，旨在解决现有技术中逐步选择模式建模门槛高和效率低的技术问题。

为实现上述目的，本申请提供一种逐步模型选择方法，所述逐步模型选择方法应用于服务端，所述逐步模型选择方法包括：

接收与所述服务端关联的客户端发送的配置参数并获取待训练特征集，并基于所述待训练特征集和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型；

分别计算所述待训练特征集对应的第一类型显著性和第二类型显著性；

分别基于各所述第一类型显著性和各所述第二类型显著性，对所述第一初始训练模型进行循环训练，获得循环训练模型集；

基于所述配置参数，在所述第一初始训练模型和所述循环训练模型集之中选取目标训练模型；

生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。

可选地，所述待训练特征集包括第一模型特征集和第二模型特征集，所述循环训练模型集包括第一循环训练模型集和第二循环训练模型集，

所述分别基于各所述第一类型显著性和各所述第二类型显著性，对所述第一初始训练模型进行循环训练，获得循环训练模型集的步骤包括：

基于各所述第一类型显著性，在所述第一模型特征集中剔除符合预设剔除显著性要求的待剔除特征；

基于剔除后的所述第一模型特征集，对所述第一初始训练模型进行循环训练更新，直至所述第一模型特征集中不存在所述待剔除特征，获得所述第一循环训练模型集；

基于各所述第二类型显著性，在所述第二模型特征集中选取符合预设显著性要求的目标特征；

将所述目标特征加入所述第一模型特征集，并基于加入所述目标特征后的所述第一模型特征集对更新后的所述第一初始训练模型进行循环训练，直至加入所述目标特征后的所述第一模型特征集中不存在所述待剔除特征且所述第二模型特征集中不存在所述目标特征，获得所述第二循环训练模型集。