[发明专利]模型训练方法、装置、可读存储介质及电子设备

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

获取包括多个人员的数据记录的数据集，所述数据记录包括已知人员的至少一项行为的数据；

检测所述数据集中数据记录的属性是否发生变化，所述属性包括数据的类型、单位时间内对应的每种类型的数据的数量；

如果数据集中数据记录的属性发生变化，则从所述数据集中获取与变化后的属性对应的训练样本集、验证样本集以及测试样本集；

依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型进行模型训练，获得目标模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取预先配置的模型训练规则，其中，所述模型训练规则包括模型训练采用的算法；

所述依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型进行模型训练，获得目标模型的步骤包括：

依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型，并根据预先配置的模型训练规则进行模型训练，获得所述目标模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取用户确定的模型训练方法，其中，所述模型训练方法包括线性回归、梯度下降、多项式回归、学习曲线、线性模型正则化、逻辑回归中的至少一种。

4.根据权利要求3所述的方法，其特征在于，所述依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型，并根据预先配置的模型训练规则进行模型训练，获得所述目标模型的步骤包括：

依次将各个训练样本集、验证样本集以及测试样本集输入所述预配置模型，分别采用所述模型训练规则中的算法进行训练，得到每种所述算法对应的子模型；

根据每种所述算法对应的子模型获得目标模型。

5.根据权利要求1-4任一项所述的方法，其特征在于，依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型进行模型训练，获得目标模型前，所述方法还包括：

如果所述数据的数据类型发生变化，则获取每种类型的数据的比例；

根据每种类型的数据的比例获得各个类型的数据的权重系数；

根据所述权重系数调整所述预配置模型中对应的网络参数，获得新的预配置模型。

6.根据权利要求5所述的方法，其特征在于，所述依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型进行模型训练，获得目标模型的步骤包括：

检测硬件资源的状态和/或获取当前时间；

判断所述硬件资源的状态是否满足预设硬件条件，和/或所述当前时间是否达到预设开始时间；

如果所述硬件资源的状态满足预设硬件条件，和/或所述当前时间达到预设开始时间，则依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型进行模型训练，获得目标模型。

7.根据权利要求1所述的方法，其特征在于，所述检测所述数据集中数据记录的属性是否发生变化的步骤包括：

获取当前时间段内所产生的数据记录的属性作为第一属性；

获取当前时间段前一预设时间段内所述产生的数据记录的属性作为第二属性；

判断所述第一属性与所述第二属性是否一致；

如果所述第一属性与所述第二属性不一致，则判定所述数据集中数据记录的属性发生变化。

8.一种模型训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取包括多个人员的数据记录的数据集，所述数据记录包括描述已知人员行为的至少一项数据；

检测模块，用于检测所述数据集中数据记录的属性是否发生变化，所述属性包括数据的类型、单位时间内对应的每种类型的数据的数量；

第二获取模块，用于在数据集中数据记录的属性发生变化时，从所述数据集中获取与变化后的属性对应的训练样本集、验证样本集以及测试样本集；

训练模块，用于依次将所述训练样本集、验证样本集以及测试样本集输入预配置模型进行模型训练，获得目标模型。