[发明专利]机器学习算法选择方法及装置

权利要求书

1.一种机器学习算法选择方法，其特征在于，包括：

对待处理的目标问题数据集进行特征提取，得到所述目标问题数据集的元特征；

将所述目标问题数据集的元特征分别输入至已训练的N个性能预测模型，得到N个预测参数，所述预测参数包括：性能预测模型对应的机器学习算法、利用所述性能预测模型对应的机器学习算法处理所述目标问题数据集时的至少一个性能指标值，所述N依据设定的机器学习算法的数量确定；

依据所述N个预测参数，在所述设定的机器学习算法中确定用于处理所述目标问题数据集的目标机器学习算法。

2.根据权利要求1所述的方法，其特征在于，所述将目标问题数据集的元特征分别输入至已训练的N个性能预测模型，得到N个预测参数，包括：

将所述目标问题数据集的元特征分别输入至已训练的N个性能预测模型，以由所述性能预测模型中的准确率预测器得到利用所述性能预测模型对应的机器学习算法处理所述目标问题数据集时的准确率，和/或由所述性能预测模型中的处理用时预测器得到利用所述性能预测模型对应的机器学习算法处理所述目标问题数据集时的处理用时。

3.根据权利要求2所述的方法，其特征在于，所述依据N个预测参数，在所述设定的机器学习算法中确定用于处理所述目标问题数据集的目标机器学习算法，包括：

依据所述N个预测参数，确定利用各设定的机器学习算法处理所述目标问题数据集时的性能值；

依据各设定的机器学习算法处理所述目标问题数据集时的性能值，在所述设定的机器学习算法中确定用于处理所述目标问题数据集的目标机器学习算法。

4.根据权利要求3所述的方法，其特征在于，在所述预测参数包括利用性能预测模型对应的机器学习算法处理所述目标问题数据集时的准确率和处理用时时，所述性能值通过以下步骤确定：

计算准确率与设定的第一权重系数的第一乘积；

计算处理用时的倒数与设定的第二权重系数的第二乘积；

计算所述第一乘积和所述第二乘积的和，依据计算结果确定利用所述预测参数对应的机器学习算法处理所述目标问题数据集时的性能值。

5.根据权利要求3所述的方法，其特征在于，所述依据各设定的机器学习算法处理所述目标问题数据集时的性能值，在所述设定的机器学习算法中确定用于处理所述目标问题数据集的目标机器学习算法，包括：

从各设定的机器学习算法中选择一个处理所述目标问题数据集时性能值最高的机器学习算法；

将选择的机器学习算法确定为用于处理所述问题数据集的目标机器学习算法。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：为设定的N个机器学习算法训练对应的性能预测模型，具体包括：

获得训练样本，所述训练样本包括：样本问题数据集的元特征与利用设定的N个机器学习算法处理所述样本问题数据集时的性能指标值之间的对应关系；

利用所述训练样本为所述N个机器学习算法训练对应的性能预测模型。

7.根据权利要求6所述的方法，其特征在于，所述训练样本通过以下方式获得：

针对设定的每一机器学习算法，从样本问题数据库中获取一个样本问题数据集，对获取的样本问题数据集进行特征提取，得到该获取的样本问题数据集的元特征；

计算利用所述机器学习算法处理该获取的样本问题数据集时的性能指标值，并记录该性能指标值和该获取的样本问题数据集的元特征之间的对应关系；

从所述样本问题数据库中获取任意一个未被获取过的样本问题数据集，返回执行所述对获取的样本问题数据集进行特征提取的步骤，直至所述样本问题数据库中不存在未被获取过的样本问题数据集。

8.根据权利要求7所述的方法，其特征在于，所述对获取的样本问题数据集进行特征提取，得到该获取的样本问题数据集的元特征，包括：

按照设定的元特征提取规则对该获取的样本问题数据集进行特征提取；

利用设定的特征选择技术从提取出的所有元特征中选择至少一个元特征；

将选择的元特征确定为该获取的样本问题数据集的元特征。