[发明专利]模型训练方法、装置、可读存储介质及电子设备

说明书

本申请公开了一种模型训练方法、装置、可读存储介质及电子设备，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。本申请提供的方案能够自动地对模型进行更新，确保模型与环境的一致性。

技术领域

本申请涉及模型训练技术领域，具体而言，涉及一种模型训练方法、装置、可读存储介质及电子设备。

背景技术

大数据中包含着大量的信息，潜藏着巨大的价值。通过对大数据进行分析，过滤掉不感兴趣的信息，从而能够获得感兴趣的信息。

在大数据处理的过程中，通常会先训练一个模型，从而通过模型来进行相关的数据处理。目前，训练模型时通常是由专业人员来搭建网络结构，然后进行训练。但是随着技术等的发展，数据产生的环境在不断变化，不同类型的数据的价值、数量、质量等对数据分析的结果在不同的时期可能会产生不同的影响，模型的准确度会随着环境的变化而变化，因此，对模型的更新提出了更高的要求。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的之一在于提供一种模型训练方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。