[发明专利]基于AutoML的对象预测分类方法、装置、计算机设备及存储介质

权利要求书

1.一种基于AutoML的对象预测分类方法，其特征在于，包括下述步骤：

获取待预测分类的多个对象对应的原始数据；

获取预设模型框架，所述预设模型框架包含多个模型，基于各所述对象的原始数据构建与各所述模型相对应的特征，并将构建的各所述特征进行组合编码生成组合特征集，其中，所述预设模型框架基于AutoML从多个模型框架中筛选获得；

将所述组合特征集输入所述预设模型框架，得到各所述对象的预测分类标签，实现各所述对象的预测分类。

2.根据权利要求1所述的基于AutoML的对象预测分类方法，其特征在于，基于AutoML从多个模型框架中筛选获得所述预设模型框架包括：

获取历史数据，所述历史数据对应多个历史对象；

获取多个模型框架，基于所述历史数据构建与每个所述模型框架相对应的组合特征，形成多个训练集和多个验证集；

将每个所述训练集输入对应的所述模型框架中进行模型训练，完成训练后将所述验证集输入对应的所述模型框架中，根据各所述模型框架的输出获取模型评价参数，根据所述模型评价参数从所述多个模型框架中筛选得到所述预设模型框架。

3.根据权利要求2所述的基于AutoML的对象预测分类方法，其特征在于，所述获取多个模型框架包括：

判断当前是否存在已构建的与对象预测分类相关的模型框架；

若存在则直接获取已构建的模型框架，否则读取配置文件，根据所述配置文件获取至少一个模型框架的模型参数，根据所述模型参数构建至少一个模型框架。

4.根据权利要求3所述的基于AutoML的对象预测分类方法，其特征在于，在所述根据所述模型参数构建至少一个模型框架时，所述方法还包括对所述历史数据进行预处理，所述预处理至少包括one-hot编码处理和归一化处理中的一种。

5.根据权利要求2所述的基于AutoML的对象预测分类方法，其特征在于，在所述基于所述历史数据构建与每个所述模型框架相对应的组合特征时，所述方法还包括：对基于所述历史数据构建的组合特征进行稳定性筛选。

6.根据权利要求5所述的基于AutoML的对象预测分类方法，其特征在于，所述对基于所述历史数据构建的组合特征进行稳定性筛选包括：

确定所述历史数据的时间跨度，对所述时间跨度进行分区，得到多个时间区间，基于各所述时间区间计算基于所述历史数据构建的组合特征的饱和度和重要度，根据得到的所述饱和度和所述重要度对基于所述历史数据构建的组合特征进行稳定性筛选。

7.根据权利要求2所述的基于AutoML的对象预测分类方法，其特征在于，所述根据各所述模型框架的输出获取模型评价参数包括：

将各所述验证集输入对应的各所述模型框架后得到输出结果进行排序，将所述排序结果划分为N等份，得到N个分位，计算各所述模型框架对所有所述历史对象的目标预测分类在各所述分位的命中率、覆盖率和分位差，得到所述模型评价参数；其中N为不小于2的整数。

8.一种基于AutoML的对象预测分类装置，其特征在于，包括：

数据获取模块，用于获取待预测分类的多个对象对应的原始数据；

特征生成模块，用于获取预设模型框架，所述预设模型框架包含多个模型，基于各所述对象的原始数据构建与各所述模型相对应的特征，并将构建的各所述特征进行组合编码生成组合特征集，其中，所述预设模型框架基于AutoML从多个模型框架中筛选获得；

分类预测模块，用于将所述组合特征集输入所述预设模型框架，得到各所述对象的预测分类标签，实现各所述对象的预测分类。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于AutoML的对象预测分类方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于AutoML的对象预测分类方法的步骤。