[发明专利]数据预测模型生成方法、装置及数据预测方法、装置

说明书

一种数据预测模型生成方法、装置及数据预测方法、装置，包括：获取样本客户的特征数据；对样本客户的特征数据进行缺失处理，得到样本客户缺失处理后的特征数据；将样本客户缺失处理后的特征数据和样本客户的特征数据作为输入迭代训练预先构建的生成对抗网络模型，得到用于预测缺失特征数据的数据预测模型；其中，生成对抗网络模型包括：生成器和判别器。由于生成对抗网络模型能够以对抗的方式基于样本客户缺失处理后的特征数据和样本客户的特征数据这两种输入学习缺失特征数据与其他未缺失特征数据之间的内在关联，以合理预测所有特征数据(其中包括了缺失的特征数据)，从而实现了特征间的内在关联性兼顾，提高了后续针对缺失数据的预测准确度。

技术领域

本文涉及数据处理技术，尤指一种数据预测模型生成方法、装置及数据预测方法、装置。

背景技术

用作机器学习中训练样本的特征数据，通常存在缺失情况，对缺失的特征数据进行有效预测并根据预测的特征数据填充缺失，在一定程度上影响着基于特征数据建立的数据处理模块，因此针对缺失特征数据的数据预测过程十分重要。

相关技术中，针对缺失特征数据数据预测方法是基于单特征数据训练模型，然后根据训练得到的模型进行缺失特征数据的预测。

然而，这种方法由于只基于单特征数据，忽略了特征间的内在关联性，因此导致针对缺失数据的预测准确度较低。

发明内容

本申请提供了一种数据预测模型生成方法、装置及数据预测方法、装置，能够兼顾特征间的内在关联性，从而提后续针对缺失数据的预测准确度。

本申请提供了一种数据预测模型生成方法，其特征在于，包括：

获取样本客户的特征数据；

对所述样本客户的特征数据进行缺失处理，得到所述样本客户缺失处理后的特征数据；

将所述样本客户缺失处理后的特征数据和所述样本客户的特征数据作为输入迭代训练预先构建的生成对抗网络模型，得到用于预测缺失特征数据的数据预测模型；其中，所述生成对抗网络模型包括：生成器和判别器。

所述将样本客户缺失处理后的特征数据和样本客户的特征数据作为输入迭代训练预先构建的生成对抗网络模型，得到用于预测缺失特征数据的数据预测模型，包括：

将所述样本客户缺失处理后的特征数据输入至所述对抗网络模型的生成器中，得到所述样本客户的预测特征数据；

将所述样本客户的预测特征数据和所述样本客户的特征数据输入至所述对抗网络模型的判别器中，得到所述预测特征数据和所述特征数据的相似度；

基于获得的相似度对所述生成对抗网络模型进行迭代训练，得到所述数据预测模型。

所述基于获得的相似度对生成对抗网络模型进行迭代训练，得到数据预测模型，包括：

基于获得的相似度，根据预先设定的损失函数，利用梯度下降算法对所述生成对抗网络模型进行迭代训练、调整所述生成对抗网络模型中生成器的参数，直到所述损失函数的损失值收敛，得到所述数据预测模型。

所述对样本客户的特征数据进行缺失处理，包括：

随机选择所述样本客户的特征数据，并对所选择的特征数据进行缺失处理。

所述缺失处理的方式包括：对缺失的数据打上标记。

本申请还提供了一种数据预测方法，包括：

获取目标客户缺失某些特征数据后的特征数据；

将所述目标客户缺失某些特征数据后的特征数据输入至如上述任一项所述的数据预测模型生成方法生成的数据预测模型中，以得到所述目标客户未缺失特征数据的特征数据。