[发明专利]基于有监督学习的ETC客户识别模型构建方法及装置

说明书

本发明公开了一种基于有监督学习的ETC客户识别模型构建方法及装置，涉及人工智能技术领域。该方法包括采集原始ETC客户训练数据及测试数据；根据原始ETC客户训练数据中的目标特征信息，按照预设衍生规则衍生新属性特征信息，将基于目标特征信息衍生得到的新属性特征信息移植至原始ETC客户测试数据中；根据原始ETC客户训练数据及移植后的ETC客户测试数据训练ETC客户识别模型。本发明基于目标特征信息衍生新属性特征信息，将新属性特征信息移植至ETC客户测试数据中，进而利用移植后的ETC客户测试数据训练TC客户识别模型。鉴于移植后的ETC客户测试数据引入目标特征信息，能够提高ETC客户识别模型的训练效果。

技术领域

本发明涉及人工智能技术领域，尤其涉及基于有监督学习的ETC客户识别模型构建方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

用已知某种或某些特性的样本作为训练集，以建立一个数学模型(如模式识别中的判别模型，人工神经网络法中的权重模型等)，再用已建立的模型来预测未知样本，此种方法称为有监督学习，是最常见的机器学习方法。对于有监督学习的算法模型，当前普遍采用的特征处理方案，例如主成分分析，缺失值补全，属性特征交叉衍生新属性特征信息，均受限于基于有监督学习的ETC客户识别模型的输入(属性特征)，使得模型训练的数据集舍弃了很多有意义的信息，导致算法模型最终的训练效果不是很好。

发明内容

本发明实施例提供一种基于有监督学习的ETC客户识别模型构建方法，用以将基于目标特征信息衍生的属性特征添加到训练清洗后ETC客户测试数据中，提高基于有监督学习的ETC客户识别模型的训练效果，该基于有监督学习的ETC客户识别模型构建方法包括：

采集原始ETC客户训练数据及原始ETC客户测试数据；

根据原始ETC客户训练数据中的目标特征信息，按照预设衍生规则衍生新属性特征信息，将基于原始ETC客户训练数据中目标特征信息衍生得到的新属性特征信息移植至原始ETC客户测试数据中，获得移植后的ETC客户测试数据；

根据原始ETC客户训练数据及移植后的ETC客户测试数据训练基于有监督学习的ETC客户识别模型，获得构建的基于有监督学习的ETC客户识别模型。

本发明实施例还提供一种基于有监督学习的ETC客户识别模型构建装置，用以将基于目标特征信息衍生的属性特征添加到训练清洗后ETC客户测试数据中，提高基于有监督学习的ETC客户识别模型的训练效果，该基于有监督学习的ETC客户识别模型构建装置包括：

原始数据采集模块，用于采集原始ETC客户训练数据及原始ETC客户测试数据；

衍生特征移植模块，用于根据原始ETC客户训练数据中的目标特征信息，按照预设衍生规则衍生新属性特征信息，将基于原始ETC客户训练数据中目标特征信息衍生得到的新属性特征信息移植至原始ETC客户测试数据中，获得移植后的ETC客户测试数据；

模型训练构建模块，用于根据原始ETC客户训练数据及移植后的ETC客户测试数据训练基于有监督学习的ETC客户识别模型，获得构建的基于有监督学习的ETC客户识别模型。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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基于有监督学习的ETC客户识别模型构建方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于有监督学习的ETC客户识别模型构建方法的计算机程序。