[发明专利]分类模型的训练方法、数据分类方法及装置

权利要求书

1.一种分类模型的训练方法，其特征在于，包括：

获取训练样本集合；其中，所述训练样本集合包括第一类样本子集合和第二类样本子集合，所述第一类样本子集合的样本数量与所述第二类样本子集合的样本数量的比值大于预设阈值；

从所述第一类样本子集合中抽取第一指定数量的第一采样样本，以及从所述第二类样本子集合中抽取第二指定数量的第二采样样本；

从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征；

利用所述第一采样样本、所述第二采样样本和所述采样特征对分类模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述从所述第一类样本子集合中抽取第一指定数量的第一采样样本，以及从所述第二类样本子集合中抽取第二指定数量的第二采样样本的步骤，包括：

采用不放回抽样算法从所述第一类样本子集合中抽取第一指定数量的第一采样样本；其中，所述第一指定数量为去重处理后的第二采样样本的样本数量；

以及，采用放回抽样算法从所述第二类样本子集合中抽取第二指定数量的第二采样样本；其中，所述第二指定数量为所述第二类样本子集合所包含的样本数量。

3.根据权利要求1所述的方法，其特征在于，在所述利用所述第一采样样本、所述第二采样样本和所述采样特征对分类模型进行训练的步骤之前，所述方法还包括：

对所述第二指定数量的第二采样样本进行去重处理。

4.根据权利要求1所述的方法，其特征在于，所述从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征的步骤，包括：

采用放回抽样算法从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征；其中，所述第三指定数量为所述训练样本集合中所包含的样本特征数量。

5.一种数据分类方法，其特征在于，包括：

获取待分类数据；

通过预先训练得到的分类模型集合对所述待分类数据进行分类操作，得到所述待分类数据对应的多个候选分类结果；其中，所述分类模型集合包括多个分类模型，所述分类模型是采用如权利要求1-4任一项所述的分类模型的训练当合训练得到的；

基于各个所述候选分类结果确定所述待分类数据对应的目标分类结果。

6.根据权利要求5所述的方法，其特征在于，所述基于各个所述候选分类结果确定所述待分类数据对应的目标分类结果的步骤，包括：

根据选举算法和各个所述候选分类结果确定所述待分类数据对应的目标分类结果。

7.一种分类模型的训练装置，其特征在于，包括：

样本获取模块，用于获取训练样本集合；其中，所述训练样本集合包括第一类样本子集合和第二类样本子集合，所述第一类样本子集合的样本数量与所述第二类样本子集合的样本数量的比值大于预设阈值；

采样样本抽取模块，用于从所述第一类样本子集合中抽取第一指定数量的第一采样样本，以及从所述第二类样本子集合中抽取第二指定数量的第二采样样本；

采样特征抽取模块，用于从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征；

模型训练模块，用于利用所述第一采样样本、所述第二采样样本和所述采样特征对分类模型进行训练。

8.一种数据分类装置，其特征在于，包括：

数据获取模块，用于获取待分类数据；

候选分类模块，用于通过预先训练得到的分类模型集合对所述待分类数据进行分类操作，得到所述待分类数据对应的多个候选分类结果；其中，所述分类模型集合包括多个分类模型，所述分类模型是采用如权利要求1-4任一项所述的分类模型的训练得到的；

目标分类模块，用于基于各个所述候选分类结果确定所述待分类数据对应的目标分类结果。

9.一种电子设备，其特征在于，包括存储器以及处理器；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤，或所述处理器执行所述计算机程序时实现上述权利要求5至6任一项所述的方法的步骤。

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存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至4任一项所述的方法，或所述计算机可运行指令促使所述处理器运行所述权利要求5至6任一项所述的方法。