[发明专利]一种基于自动机器学习的软件设计方法

说明书

本发明公开了一种基于自动机器学习的软件设计方法，包括以下步骤：通过数据获取模块获取用户设定的用于表征至少部分机器学习建模过程的过程配置数据，利用数据交互模块将获取的过程配置数据与原始数据进行对比；通过数据筛选模块对获取的多个数据进行筛选，将优于原始数据的过程配置数据储存至数据储存模块中，通过数据分析模块将筛选后的过程配置数据进一步解析；利用指令模块操作执行终端进行操作训练，将得到的若干训练数据再次通过数据交互模块进行对比，经过输出模块输出操作参数的最佳取值，进而得到自动机器的最佳操作数据参数，机器自动完成学习。根据机器学习建模过程的过程配置数据，辅助机器自主训练学习，提高机器完善的效率。

技术领域

本发明涉及软件设计领域，尤其涉及一种基于自动机器学习的软件设计方法。

背景技术

自动化机器学习是将机器学习应用于现实世界问题的端到端自动化过程。在一个典型的机器学习应用中，工程师将一个由输入数据点组成的数据集进行训练。可能不是所有算法都可以开箱即用地适用于原始数据本身的形式。机器学习的专家可能必须应用适当的数据预处理、特征工程、特征提取和特征选择方法，使数据集适合机器学习。由于这些中的许多步骤往往超出了非专家的能力，所以自动化机器学习被提出来作为一种基于人工智能的解决方案，以应对如何应用机器学习这一日益增长的挑战。将端到端机器学习的应用过程自动化为此提供了一些优势：产生更简单的解决方案、更快地创建这些解决方案以及通常比手工设计更优的模型。然而，自动化机器学习并不是灵丹妙药，它可以引入自己的额外参数，称为超参数，这可能需要一些专业知识来自行设置。

当谈到在组织里执行机器学习项目时，数据科学家、项目经理和业务主管需要一起工作来部署最好的模型，从而满足特定的业务目标。这一步的中心目标就是识别出需要在分析中预测的关键业务变量。我们将这些变量看成模型的目标，然后使用和它们相关的指标来确保项目的成功。随着深度学习的流行，工程师需要选择相应的神经网络架构，训练过程，正则化方法，超参数，等等，所有的这些都对算法的性能有很大的影响。于是深度学习工程师也被戏称为调参工程师。自动机器学习的目标就是使用自动化的数据驱动方式来做出上述的决策。用户只要提供数据，自动机器学习系统自动的决定最佳的方案，领域专家不再需要苦恼于学习各种机器学习的算法。

在现有技术中，很多机器自动学习并不能得到很好的应用，主要原因在于训练成本较高，需要大量的训练和数据输入才能达到满意的程度，而很多问题找不到足够的数据，需要花费大量的金钱和时间去抓取原始数据。另一方面，由于知识是从数据中提取出来的，机器无法直接学习知识，更不善于解决一些特定问题。

发明内容

本发明克服了现有技术的不足，提供一种基于自动机器学习的软件设计方法。

为达到上述目的，本发明采用的技术方案为：一种基于自动机器学习的软件设计方法，包括以下步骤：

步骤S1：通过数据获取模块获取用户设定的用于表征至少部分机器学习建模过程的过程配置数据，利用数据交互模块将获取的过程配置数据与原始数据进行对比。

步骤S2：通过数据筛选模块对获取的多个数据进行筛选，将优于原始数据的过程配置数据储存至数据储存模块中，通过数据分析模块将筛选后的过程配置数据进一步解析。

步骤S3：利用指令模块操作执行终端进行操作训练，将得到的若干训练数据再次通过数据交互模块进行对比，经过输出模块输出操作参数的最佳取值，进而得到自动机器的最佳操作数据参数，自动机器完成学习。

本发明一个较佳实施例中，根据所述过程配置数据、原始数据，确定操作参数的一组或多组取值组合。

本发明一个较佳实施例中，所述取值组合包括：动作数据、方法数据以及最终目标数据中的三种数据的组合。

本发明一个较佳实施例中，在所述步骤S1之前设置所述动作数据、所述方法数据以及所述最终目标数据的标准数据值，所述标准数据值用于辅助判断模块进行数据对比。