[发明专利]一种支持多源数据的自动化监督性学习方法

摘要

本发明公开了一种支持多源数据的自动化监督性学习方法，包括(1)数据预处理；(2)特征工程；(3)模型与调节超参；(4)贝叶斯管道优化。本发明方法将传统的数据分析流程自动化，从根本上改进了手动调节机器学习管道的流程，在超参调节和管道优化的高耦合度上，使得系统在监督性学习算法上的扩展性大大提高，并且创新性的提出了使用遗传算法作为机器学习管道的超级参数的调节，大大提高了自动化调节参数的时效；此外，本发明采用贝叶斯优化器对管道算法组合的优化也大大解决了组合空间爆炸的问题，最终结果上提高了自动化监督性学习方法的准确性和时效性。

主权项

一种支持多源数据的自动化监督性学习方法，包括如下步骤：(1)对输入的结构化数据进行预处理，得到训练集数据和验证集数据；(2)根据目标特征利用贝叶斯优化器为结构化数据配置最优的机器学习管道，该管道包含特征工程以及预测模型所确定采用的算子组合；(3)将训练集数据输入至所述机器学习管道，通过遗传算法以及平衡准确率对该机器学习管道中各算子的超级参数进行调优并保存。