[发明专利]一种机器学习模型选择方法在审
| 申请号： | 201911034545.3 | 申请日： | 2019-10-25 |
| 公开（公告）号： | CN110796270A | 公开（公告）日： | 2020-02-14 |
| 发明（设计）人： | 杨忠勋 | 申请（专利权）人： | 深圳市超算科技开发有限公司 |
| 主分类号： | G06N20/10 | 分类号： | G06N20/10 |
| 代理公司： | 44384 深圳市中科创为专利代理有限公司 | 代理人： | 梁炎芳;谭雪婷 |
| 地址： | 518000 广东省深圳市南山区粤海街道沙河西路*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种机器学习模型选择方法，主要包括模型设置、训练测试、模型评估、模型选择、预测推理、模型监控，通过模型选择策略和模型评估结果选出采用的算法模型，模型选择过程分解为资源消耗、性能、业务风险等多个方面，更广泛的覆盖了机器学习模型选择所涉及的必要和关键过程，可以适用于各种类型机器学习算法模型的选择，通用性高。同时采用资源消耗、性能、业务风险等多个维度来作为模型选择的依据，除了使用常规的模型性能，还将工程代价和业务风险引入到模型选择过程，有效保证了算法模型的高工程可用性和低应用风险，实用价值高。 | ||
| 搜索关键词： | 模型选择 机器学习模型 模型评估 算法模型 资源消耗 机器学习算法 可用性 多个方面 关键过程 过程分解 模型设置 训练测试 常规的 低应用 推理 维度 监控 引入 预测 覆盖 保证 | ||
【主权项】：
1.一种机器学习模型选择方法，其特征在于，包括如下步骤：/n步骤S1：模型设置，根据目标任务确定多个候选算法模型的类型，每种类型可包含多个子模型。算法模型记为h
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于深圳市超算科技开发有限公司，未经深圳市超算科技开发有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911034545.3/，转载请声明来源钻瓜专利网。
- 同类专利
- 一种机器学习模型选择方法-201911034545.3
- 杨忠勋 - 深圳市超算科技开发有限公司
- 2019-10-25 - 2020-02-14 - G06N20/10
- 本发明公开一种机器学习模型选择方法，主要包括模型设置、训练测试、模型评估、模型选择、预测推理、模型监控，通过模型选择策略和模型评估结果选出采用的算法模型，模型选择过程分解为资源消耗、性能、业务风险等多个方面，更广泛的覆盖了机器学习模型选择所涉及的必要和关键过程，可以适用于各种类型机器学习算法模型的选择，通用性高。同时采用资源消耗、性能、业务风险等多个维度来作为模型选择的依据，除了使用常规的模型性能，还将工程代价和业务风险引入到模型选择过程，有效保证了算法模型的高工程可用性和低应用风险，实用价值高。
- 一种具有动态学习速率边界的分布式自适应矩估计方法-201910941984.6
- 申修宇;李德权;方润月 - 安徽理工大学
- 2019-09-30 - 2020-01-07 - G06N20/10
- 基于自适应梯度的优化方法如ADAGRAD、RMSPROP、ADAM等被广泛应用于解决包括深度学习在内的大规模机器学习问题。在现有的工作中，已经针对外围节点与中心节点的通信并行化问题提出了许多解决方案，但通信成本往往较高。并且现有的方法普遍存在泛化能力较差，甚至由于不稳定和极端的学习率而无法收敛。为了解决目前存在的问题，开发了一种新的具有动态学习速率边界的分布式自适应矩估计方法(DADBOUND)，用于在分散网络上进行在线优化，从而实现数据并行化和分散计算。并且该方法利用学习率的动态范围来实现从自适应方法到DSGD的渐进平稳过渡，以消除自适应方法和DSGD之间的泛化差距，同时在训练初期保持较高的学习速度。最后，对各种任务进行了实验验证，结果表明DADBOUND方法在实际应用中效果良好，与其他在线优化方法相比具有一定的优势。
- 半监督场景下特征和实例联合迁移学习方法-201910770868.2
- 黄浩然;文江辉;邓兵;肖新平;饶从军 - 武汉理工大学
- 2019-08-20 - 2019-12-03 - G06N20/10
- 本发明公开了一种半监督场景下特征和实例联合迁移学习方法，针对某些领域分类模型训练时带标签数据不足的问题，而引入其他领域的数据以及该领域的无标签数据辅助训练，同时考虑领域间数据分布的差异，对于目标域中既有少量带标签数据，又有大量无标签数据的情形，本发明提出混合的平衡分布适应方法和自学习实例迁移方法；并以此为基础构建特征和实例联合迁移学习方法FSJT。
- 一种利用特权信息进行排序转移的分类方法-201910570524.7
- 刘倩;刘波;肖燕珊;李松松;刘芷菁 - 广东工业大学
- 2019-06-27 - 2019-11-19 - G06N20/10
- 本发明公开了一种利用特权信息进行排序转移的分类方法，考虑到正标记样本和未标记样本及其特权信息同时存在的情况，本发明将正样本PS、负样本NS、未标记样本及其相似权结合到排序支持向量机的学习模型中，得到扩展的第一排序支持向量机模型，在只有特权信息的训练集上训练。然后利用特权信息训练出来的分类器去计算普通训练样本(不含特权信息)间的实际距离。最后用实际距离去代替恒定间距1，在普通训练样本集上训练第二排序支持向量机模型。本发明利用特权信息计算的实际样本间距比恒定间距1更为精确，使用实际间距去学习可使分类器更为精确。
- 专利分类
