[发明专利]模型训练方法、特征分类方法、装置和计算机设备

说明书

本申请涉及一种模型训练方法、特征分类方法、装置和计算机设备。该方法包括：计算机设备根据多个用户的历史病症特征数据，确定各病症特征对于各科室的贡献度，根据历史病症特征的贡献度，确定样本数据集，根据样本数据集对初始分类模型训练，得到目标分类模型；其中，贡献度为病症特征针对于科室的出现频率，初始分类模型包括第一层分类模型和第二层分类模型，其中第二层分类模型为最小二乘双支持向量机元分类模型，目标分类模型用于根据用户的病症特征进行科室分类。在本方案中所涉及的目标分类模型，采用最小二乘双支持向量机作为Stacking集成学习的第二层元分类器，降低了模型在训练过程中的学习难度，提高模型训练的求解效率。

技术领域

本申请涉及医疗技术领域，特别是涉及一种模型训练方法、特征分类方法、装置和计算机设备。

背景技术

传统的科室分诊分为人工和专家系统两部分，人工的方式由于就诊人数过多，仅靠人工进行科室分诊难以在短时间内接待大量的就诊患者，易引起患者的不满；基于专家系统的方法，需要大量专业人士构建医疗知识库，制作成本高后期维护困难，而且现阶段没有一个包含全部疾病的医疗知识库，容易出现无法分诊的情况，导致患者的就医流程无法继续。

针对上述两种传统的科室分诊方法，提出通过网络模型来实现智能化的科室分诊。目前常用的训练网络模型的算法为Boosting算法，Boosting算法是通过迭代训练的方式，将弱学习器通过多次迭代训练，逐步训练成强学习器。在迭代训练的过程中，每个基分类器会根据上一次迭代训练结果中未正确分类的样本进行权值调整，使得基学习器更关注于分类错误的样本，通过不断地迭代训练，使得模型降低了训练结果的偏差。

但是，Boosting算法在训练过程中容易过拟合，降低模型训练的效率。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高模型训练效率的模型训练方法、特征分类方法、装置和计算机设备。

第一方面，提供一种模型训练方法，该方法包括：

根据多个用户的历史病症特征数据，确定各病症特征对于各科室的贡献度；贡献度为病症特征针对于科室的出现频率；

根据历史病症特征的贡献度，确定样本数据集；

根据样本数据集对初始分类模型训练，得到目标分类模型；初始分类模型包括第一层分类模型和第二层分类模型，其中第二层分类模型为最小二乘双支持向量机元分类模型；目标分类模型用于根据用户的病症特征进行科室分类。

在其中一个可选的实施例中，根据样本数据集对初始分类模型训练，得到目标分类模型，包括：

将样本数据集输入至第一层分类模型中，得到样本数据集对应的第一分类结果；

根据第一分类结果、样本数据集，训练第二层分类模型，直到第二层分类模型的模型参数满足预设的参数条件，得到目标分类模型。

在其中一个可选的实施例中，第一分类结果包括第一训练结果和第一测试结果；将样本数据集输入至第一层分类模型中，得到样本数据集对应的第一分类结果，包括

根据预设的划分比例，确定样本数据集中的第一训练集和第一测试集；

将第一训练集输入至第一层分类模型中，得到第一训练结果；

将第一测试集输入至第一层分类模型中，得到第一测试结果。

在其中一个可选的实施例中，根据第一分类结果、样本数据集，训练第二层分类模型，直到第二层分类模型的模型参数满足预设的参数条件，得到目标分类模型，包括：

获取第二训练集和第二测试集；第二训练集包括第一训练结果和第一训练集；第二测试集包括第一测试结果和第一测试集；