[发明专利]基于机器学习的众评众验方法、介质、装置和计算设备

说明书

本发明的实施方式提供了一种基于机器学习的众评众验方法。其中待处理对象α包括至少两个互不关联的第一特征信息，所述方法包括：建立所述待处理对象的决策模型，使得所述决策模型至少包括所述待处理对象的第一特征信息L以及与所述第一特征信息关联的第二特征信息z；基于所述决策模型，利用所述待处理对象α的所有第一特征信息获得所述待处理对象α的第二特征信息。通过以上方法建立的决策模型，可以通过综合企业自评、行业内互评、和多名专家的全部评价，将其作为决策模型的输入，得到相对客观的企业评级，并且不会浪费宝贵的数据。此外，本发明的实施方式提供了一种基于机器学习的众评众验介质、装置和计算设备。

技术领域

本发明的实施方式涉及数据分析领域，更具体地，本发明的实施方式涉及一种基于机器学习的众评众验方法、介质、装置和计算设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

智能制造评价指数的标准化研究对凝练智能制造的核心要素与特征、明确企业的发展提升路径具有重要的意义，既可以为各级工业和主管部门推动智能制造发展和成效考核提供重要抓手，同时也可以为各类制造业企业提升智能制造水平提供重要工具。传统的企业综合评级大多以专家的主观能力评估为主，而由于专家的领域和背景知识的局限性，往往会给评估带来较大的主观偏差。

为了避免专家的主观因素给评估带来的偏差，传统的多位专家评级的办法多是取众数的方法，即选择最多专家给出的等级，作为最终的企业等级。这个方法的一个缺点是，丢弃了一部分专家的评估结果，浪费了宝贵的数据。

发明内容

在本上下文中，本发明的实施方式期望提供一种基于机器学习的众评众验方法、介质、装置和计算设备。

在本发明实施方式的第一方面中，提供了一种基于机器学习的众评众验方法，包括：建立所述待处理对象的决策模型，使得所述决策模型至少包括所述待处理对象的第一特征信息L以及与所述第一特征信息关联的第二特征信息z；

基于所述决策模型，利用所述待处理对象α的所有第一特征信息获得所述待处理对象α的第二特征信息。

在本发明的一个实施例中，使用最大似然估计法利用所述待处理对象α的所有第一特征信息获得所述第二特征信息。

在本发明的另一实施例中，所述决策模型至少还包括用于表征所述待处理对象的第一特征信息的来源偏好Y。

在本发明的又一个实施例中，使用最大后验估计法利用所述待处理对象α的所有第一特征信息获得所述第二特征信息。

在本发明的再一个实施例中，当所述决策模型的第二特征信息z为高维离散变量时，其被连续化为x。

在本发明的再一个实施例中，所述x为所述第二特征信息z决定的混合分布。

在本发明的再一个实施例中，所述x为混合高斯分布。

在本发明的再一个实施例中，所述来源偏好Y至少包括权值矩阵w和偏置向量t。

在本发明的再一个实施例中，所述权值矩阵w和/或偏置向量t的先验分布服从高斯分布。

在本发明的再一个实施例中，设有N个待处理对象，M个第一特征信息的来源，则满足以下分布：

其中，i为所述待处理对象的序号，j为所述来源的序号，J_i为存在第一特征信息的来源为j的待处理对象的集合。