[发明专利]分类模型的参数优化方法、装置、计算机设备及存储介质

说明书

技术领域

本发明涉及分类预测技术领域，尤其涉及分类模型的参数优化方法、装置、计算机设备及存储介质。

背景技术

一般地，任何公司的任何产品都存在用户流失的情况，这是用户新老交替中不可避免的。由于获客成本的存在，相比于维持老用户的活跃性，对流失用户的在即激活势必需要付出更多的代价。因此，通过技术手段提前预测已有用户未来流失的可能性，以在用户生命周期的流失阶段之前施之相应的营销手段对其进行及时挽留，是十分必要的。

对于电商平台用户的流失预测，相当于对已在电商平台上进行消费的用户进行分析，确定这些用户在未来一段时间内是否存在再次消费的可能，如果不存在则视为流失。目前，这种预测行为可以抽象为一个二分类问题，通过机器学习的分类模型进行解决。

Xgboost分类模型是预测方法中常用的一种模型，但Xgboost分类模型在实际使用的过程中需要使用者手动设置和调整模型所需的构建参数，由此为使用者设置了较高的门槛；此外，基于现有的参数寻优方法，如网格搜索，对Xgboost分类模型的构建参数进行优化时，其寻优方式往往主要依据经验给定或穷举的搜索空间，这样不但无法提高分类模型的易用性反而增加了分类模型的时间复杂度。

发明内容

本发明实施例提供了分类模型的参数优化方法、装置、计算机设备及存储介质，能够简单地实现对构建分类模型所需构建参数的有效优化，更好提高了分类模型的工作性能。

一方面，本发明实施例提供了一种分类模型的参数优化方法，包括：

确定待构建分类模型中构建参数的参数个数，生成设定数量的维度为所述参数个数的参数相关向量；

对各所述参数相关向量进行初始化，获得所述设定数量的包含初始分量信息的初始参数相关向量；

根据设定的更新策略迭代更新各所述初始参数相关向量，获得包含全局最优分量信息的目标参数相关向量；

根据所述全局最优分量信息确定各构建参数的最优参数值。

另一方面，本发明实施例提供了一种分类模型的参数优化装置，包括：

参数向量构建模块，用于确定待构建分类模型中构建参数的参数个数，生成设定数量的维度为所述参数个数的参数相关向量；

参数向量初始模块，用于对各所述参数相关向量进行初始化，获得所述设定数量的包含初始分量信息的初始参数相关向量；

目标向量确定模块，用于根据设定的更新策略迭代更新各所述初始参数相关向量，获得包含全局最优分量信息的目标参数相关向量；

最优参数确定模块，用于根据所述全局最优分量信息确定各构建参数的最优参数值。

又一方面，本发明实施例提供了一种计算机设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的分类模型的参数优化方法。

再一方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的分类模型的参数优化方法。

在上述分类模型的参数优化方法、装置、计算机设备及存储介质中，首先确定待构建分类模型中构建参数的参数个数，生成设定数量的维度为上述参数个数的参数相关向量，然后可以对各参数相关向量进行初始化，获得设定数量的包含初始分量信息的初始参数相关向量，之后根据设定的更新策略迭代更新各初始参数相关向量，获得全局最优的目标参数相关向量，最终根据所述全局最优分量信息确定各构建参数的最优参数值。上述技术方案，无需人为调控分类模型构建所需的参数，就能够自动确定分类模型构建时所需构建参数的最优参数值，由此可以在不增加分类模型时间复杂度的前提下构建具有较高工作性能的分类模型，降低了分类模型的使用门槛，提高了分类模型预测的用户体验。

附图说明

图1为本发明实施例一提供的一种分类模型的参数优化方法的流程示意图；

图2为本发明实施例二提供的一种分类模型的参数优化方法的流程示意图；

图3为本发明实施例三提供的一种分类模型的参数优化装置的结构框图；

图4为本发明实施例四提供的一种计算机设备的硬件结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。