[发明专利]使用二元分类器处理的数据来生成规则的系统和方法

说明书

公开了一种结合事件的机器学习二元分类进行操作的计算机实施的方法。所述方法生成涉及是否会发生所述事件的规则。在一项实施例中，所述方法包括：获取对应于所述事件发生的前景序列和对应于所述事件不发生的背景序列。针对多个前景序列中的每个前景序列，所述计算机计算多个差值。基于所述多个前景序列中的一个前景序列的最大差值来确定所述规则。还公开了一种对应的系统。

交叉申请

本发明要求2016年3月14日递交的发明名称为“使用二元分类器处理的数据来生成规则的系统和方法(System and Method for Rule Generation Using Data ProcessedBy a Binary Classifier)”的第15/069,247号美国专利案的在先申请优先权，该在先申请的全部内容以引入的方式并入本文本中。

技术领域

本申请涉及从机器学习二元分类器处理的数据中生成规则。

背景技术

机器学习是一种人工智能，其中，计算机用于在无需明确编程的情况下进行学习。计算机可以使用机器学习来执行二元分类，比如预测事件是否会发生。首先，可以使用结果已知的历史数据对计算机进行训练。然后，在处理新输入数据时，计算机使用训练期间学习的信息来确定鉴于新输入数据的事件发生的似然。如果似然高于某个阈值，则计算机预测该事件将发生。否则，计算机预测该事件不会发生。使用机器学习的二元分类被称为机器学习二元分类，同时实现机器学习二元分类的计算机被称为机器学习二元分类器。

例如，贷款机构可以使用机器学习二元分类器来确定是否应该接受或拒绝贷款申请。可以从贷款申请中提取一组数据，该申请包括贷款申请人收入、贷款期限、贷款金额等信息。机器学习二元分类器然后使用这组数据作出预测：贷款申请人是否会违约。如果计算机返回贷款违约会发生的预测，则贷款申请可能会被拒绝。

机器学习二元分类器可以令人满意的准确度进行正确的预测。但是，用于实现预测的过程对于人来说也许无法理解。例如，机器学习二元分类器可以实现机器学习技术，该技术结合了多个机器学习算法并且训练大型训练集以揭示训练集中影响事件是否发生的模式。未揭示的模式可能不直观或不能被人识别。

发明内容

公开了一种结合事件的机器学习二元分类进行操作的方法和对应的系统。所述方法可以生成涉及是否会发生所述事件的一个或多个规则。与所述机器学习二元分类中使用的实际决策过程相比，所述一个或多个规则对于人来说可能更易于理解。

在一项实施例中，提供了一种可结合事件的机器学习二元分类进行操作的计算机实施的方法。所述方法可以生成涉及是否会发生所述事件的规则。所述方法可以包括：所述计算机从存储器获取一组数据，所述一组数据具有对应于所述事件不发生的实例的背景序列和对应于所述事件发生的实例的前景序列，每个所述背景序列和所述前景序列的每个序列位置具有相应的特征值。所述方法还可以包括：针对多个所述前景序列中的每个前景序列，所述计算机通过以下操作针对每个差值来计算多个差值：获取包括所选前景序列的相应一组位置中的特征值的相应子序列模式；以及计算表示以下项的比较的值：(i)其它所述前景序列中所述相应子序列模式的出现概率以及(ii)所述背景序列中所述相应子序列模式的出现概率，以获取所述差值。所述方法还可以包括：基于所述多个前景序列中的一个前景序列的最大差值来确定所述规则。

在任一前述实施例中，所述方法还可以包括通过以下操作来计算表示所述比较的所述值：计算所述相应子序列模式出现在其它所述前景序列中的第一概率；计算所述相应子序列模式出现在所述背景序列中的第二概率；以及确定表示使用所述第一概率和所述第二概率进行的所述比较的所述值。

在任一前述实施例中，确定表示使用所述第一概率和所述第二概率进行的所述比较的所述值可以包括：计算所述第一概率和所述第二概率的比率。