[发明专利]一种机器学习模型参数寻优方法、装置及存储介质

权利要求书

1.一种机器学习模型参数寻优方法，其特征在于，该方法包括：

确定粒子群算法超参数的初始值，所述的粒子群算法超参数包括偏移量，惯性系数，个体学习因子和群体学习因子，所述的偏移量用于在迭代过程中更新粒子群中的粒子，所述的惯性系数用于在迭代过程中更新所述的偏移量；

确定机器学习模型的模型参数组合，随机选出若干组模型参数组合训练模型生成模型初始粒子群；

采用粒子群算法进行迭代寻优，获取最优的模型参数组合；

在迭代过程中：更新粒子群算法中的惯性系数以及偏移量这两个超参数，进而更新粒子群中的模型参数组合。

2.根据权利要求1所述的一种机器学习模型参数寻优方法，其特征在于，在迭代过程中，每一轮迭代开始时，利用偏移量更新粒子群中的模型参数组合，每一次迭代结束更新惯性系数，并基于更新的惯性系数计算下一次迭代过程的偏移量。

3.根据权利要求2所述的一种机器学习模型参数寻优方法，其特征在于，迭代过程中更新模型参数组合的具体方式为：

[α_1,k α_2,k…α_n,k]＝[α_1,k-1 α_2,k-1…α_n,k-1]+[p_1,k p_2,k…p_n,k]

其中，[α_1,k α_2,k…α_n,k]为第k轮迭代的模型参数组合，[α_1,k-1 α_2,k-1…α_n,k-1]为第k-1轮迭代的模型参数组合，[p_1,k p_2,k…p_n,k]为第k轮迭代的偏移量，下标n表示模型参数组合中的参数总数，k＝1,2,……K，K为最大迭代轮次，当k＝1时，[α_1,k-1 α_2,k-1…α_n,k-1]为模型初始粒子群中的模型参数组合。

4.根据权利要求2所述的一种机器学习模型参数寻优方法，其特征在于，所述的惯性系数的更新方式为：

G_k+1＝G′_k

其中，G′_k为第k轮迭代后更新的惯性系数，G_k+1为第k+1轮迭代使用的惯性系数，为前k轮迭代使用的惯性系数的均值，K为最大迭代轮次，n为模型参数组合中的参数总数，n_k为第k轮迭代时模型参数组合中更新的参数的数量。