[发明专利]一种基于机器学习的参数优化方法、装置、设备及介质

说明书

本发明涉及人工智能领域，公开了一种基于机器学习的参数优化方法、装置、设备及介质，包括：将目标参数的值及在值下的反馈信息的流量值整合成历史散点，汇总历史散点得到散点图；通过回归模型对散点图进行运算得到回归直线或回归曲线；根据回归直线或回归曲线计算目标模型的极值并将极值对应目标参数的值设为初始数据，将目标对象的目标参数的值修改为初始数据；采集目标对象在试验期间内的迭代反馈信息，并根据目标参数和迭代反馈信息对目标参数的值进行迭代处理，直至获得的目标参数的值满足目标模型的收敛条件并将其作为目标对象的目标参数。本发明实现了获得最大程度适应历史散点和当前环境最优的目标参数的技术效果。

技术领域

本发明涉及人工智能的机器学习技术领域，尤其涉及一种基于机器学习的参数优化方法、装置、设备及介质。

背景技术

随着互联网的高速发展，很多目标对象（诸如：设备、商业产品、金融产品等）的参数优化通常也会采用计算机模型，对其进行优化运算以得到用户所需的最优参数。

当前的技术通常是采用基于历史数据对参数进行分析，获得历史数据中最优的参数并将其作为目标对象的优化参数，然而发明人意识到，这种方式仅能够获得基于历史数据的最优的优化参数，而无法获得基于历史数据和当前环境下获得最优的优化参数，导致参数优化不精准。

发明内容

本发明的目的是提供一种基于机器学习的参数优化方法、装置、设备及介质，用于解决现有技术存在的无法获得基于历史数据和当前环境下获得最优的优化参数，导致参数优化不精准的问题。

为实现上述目的，本发明提供一种基于机器学习的参数优化方法，包括：

获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；

通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；

通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。

上述方案中，所述获取目标对象的目标参数和反馈信息之前，所述方法还包括：

轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象。

上述方案中，所述轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象的步骤包括：

将从平台系统的表现层中获取业务信息，并根据所述业务信息从所述平台系统的数据访问层中获取所述业务信息的反馈信息；

判断所述反馈信息的流量值是否符合所述平衡策略；

若是，则将所述业务信息设为目标对象；

若否，则从所述表现层中获取下一业务信息。

上述方案中，所述判断所述反馈信息的流量值是否符合所述平衡策略的步骤，包括：

提取所述平衡策略中预定义的流量阈值；

判断所述流量值是否大于或等于所述流量阈值；

若是，则判定所述流量值符合所述平衡策略；