[发明专利]一种基于机器学习的回归分析模型选择方法

权利要求书

1.一种基于机器学习的回归分析模型选择方法，其特征是，包括有以下步骤：

S1、选择可被使用于回归的备选连续函数模型集合；

S2、根据选定的连续函数模型集合，使用数据增强策略生成机器训练数据图像；

S3、建立一个卷积神经网络，将训练数据图像输入并进行训练；

S4、使用训练后的卷积神经网络对待分析数据进行分析，给出最佳回归模型。

2.根据权利要求1所述的基于机器学习的回归分析模型选择方法，其特征是：所述连续函数模型集合包括有线性函数、二次函数、高阶多项式函数、指数函数、反比例函数。

3.根据权利要求2所述的基于机器学习的回归分析模型选择方法，其特征是，根据数据增强策略生成训练数据图像具体为：

S21、假设待分析数据组为{X:x₁,x₂,…,x_n}和{Y:y₁,y₂,…,y_n}，根据待分析数据的区间[x₁,x_n]，由备选连续函数模型的函数关系计算区间上准确函数值集合；

S22、在准确值基础上，加入噪声，产生噪声数据{Y′:y′₁,y′₂,…,y′_n}；

S23、计算噪声数据的中心差分值，将中心差分值图像化，建立训练和验证数据图像集。

4.根据权利要求3所述的基于机器学习的回归分析模型选择方法，其特征是，数据增强策略对各备选函数数据的中心差分值图像化具体为：将线性函数表达为水平直线图像形式，将二次函数表达为倾斜直线图像形式，将三次函数表达为曲线图像形式。

5.根据权利要求1所述的基于机器学习的回归分析模型选择方法，其特征是：建立的所述卷积神经网络依次包括有第一个卷积层、第一个池化层、第二个卷积层、第二个池化层，以及三个全连接层；第三个全连接层根据输入图像数据的模型数量N设定为N种分类输出。