[发明专利]一种分类模型训练的方法、数据分类的方法及装置

权利要求书

1.一种分类模型训练的方法，其特征在于，包括：

接收用于训练模型的样本，所述样本包括训练参数和分类目标；

使用所述训练参数对初始分类模型进行分类训练，得到预测结果；

根据所述初始分类模型所包含的梯度损失函数，确定所述分类目标与所述预测结果之间的残差，所述梯度损失函数包括第一类别与所述第二类别间距的距离因子，所述第一类别为所述预测结果所属类别，所述第二类别为所述分类目标所属类别；

根据所述残差，对所述初始分类模型进行修正，得到最终分类模型。

2.根据权利要求1所述的方法，其特征在于，所述使用所述训练参数对初始分类模型进行分类训练，得到预测结果，包括：

使用所述训练参数对初始分类模型进行迭代计算，每轮迭代产生该轮的预测结果；

对应地，所述根据所述初始分类模型所包含的梯度损失函数，确定所述分类目标与所述预测结果之间的残差，包括：

根据所述初始分类模型所包含的梯度损失函数，确定所述分类目标与每轮的预测结果之间的残差；

对应地，所述根据所述残差，对所述初始分类模型进行修正，得到最终分类模型，包括：

根据M轮的残差，修正第M轮的分类模型，得到M+1轮迭代所使用的分类模型，所述M轮的分类模型为根据第M-1轮的残差对第M-1轮的分类模型进行修正得到的，所述M为大于1的正整数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述初始分类模型所包含的梯度损失函数，确定所述分类目标与每轮的预测结果之间的残差，包括：

使用如下公式确定所述初始预测结果与所述分类目标之间的残差；

F_k'(x_i)＝D_yk*F_k(x_i)

其中，x_i为样本参数，i为大于1的正整数，为分类目标与第k轮预测结果之间的残差，y_ik为分类目标，p_k(x_i)为第k轮预测概率函数，F_k(x_i)为第k轮预测函数，D_yk为分类目标所属的类别与第k轮预测结果所属类别间距的距离因子，F′_k(x_i)为第k轮的修正预测函数，F′_l(x_i)为第l轮的修正预测函数，l的取值从1到K，其中，K为样本x_i所对应的分类数量。

4.一种数据分类的方法，其特征在于，包括：

接收待分类数据；

使用分类模型对所述待分类数据进行分类，得到分类结果；其中，所述分类模型为使用用于训练模型的样本中的训练参数对初始分类模型进行训练得到的，所述样本还包括分类目标，所述初始分类模型包含梯度损失函数，所述梯度损失函数包括第一类别与所述第二类别间距的距离因子，所述第一类别为所述预测结果所属类别，所述第二类别为所述分类目标所属类别；

输出所述分类结果。

5.根据权利要求4所述的方法，其特征在于，所述接收待分类数据之前，所述方法还包括：

接收所述用于训练模型的训练参数和分类目标；

使用所述训练参数对初始分类模型进行迭代计算，每轮迭代产生该轮的预测结果；

根据所述初始分类模型所包含的梯度损失函数，确定所述分类目标与每轮的预测结果之间的残差；

根据M轮的残差，修正第M轮的分类模型，得到M+1轮迭代所使用的分类模型，所述M轮的分类模型为根据第M-1轮的残差对第M-1轮的分类模型进行修正得到的，所述M为大于1的正整数。