[发明专利]用于训练非线性模型的方法和系统

权利要求书

1.一种由计算机实现的用于训练非线性模型的机器学习方法，包括：

通过通信接口获取训练数据；

通过处理器在所述训练数据中的至少两个断裂线位置放置至少两个断裂线；

通过所述处理器确定每个断裂线位置的熵变；

通过所述处理器选择至少一个断裂线位置，每个位置与大于预定阈值的熵变相关联；

根据所述至少一个所选断裂线位置，通过所述处理器，将所述训练数据分成至少两个片段；以及

基于所述片段，由所述处理器生成所述非线性模型。

2.根据权利要求1所述的方法，其中所述预定阈值根据所述非线性模型的深度确定。

3.根据权利要求1所述的方法，其中确定每个断裂线位置的熵变还包括：

基于所述未分段的训练数据确定原始熵；

根据与所述断裂线位置相关的所述训练数据的假设片段确定断裂熵；以及

根据所述原始熵和所述断裂熵确定所述断裂线位置的所述熵变。

4.根据权利要求1所述的方法，其中生成所述非线性模型还包括：

为所述至少两个分段生成子模型，以及

通过集合所述子模型生成所述非线性模型。

5.根据权利要求3所述的方法，其中所述假设片段包括第一假设片段和第二假设片段，其中确定断裂熵还包括：

确定所述训练数据的所述第一假设片段的第一熵；

确定所述训练数据的所述第二假设片段的第二熵；以及

根据所述第一熵和所述第二熵确定与所述断裂线位置相关的所述断裂熵。

6.根据权利要求5所述的方法，其中所述断裂熵基于所述第一熵和所述第二熵的加权和确定。

7.根据权利要求5所述的方法，其中所述第一假设片段位于所述断裂线位置和所述断裂线位置的第一邻近断裂线位置之间，并且所述第二假设片段位于所述断裂线位置与所述断裂线位置的第二邻近断裂线位置之间。

8.根据权利要求4所述的方法，其中每个所述子模型都是线性模型。

9.根据权利要求4所述的方法，其中集合所述子模型包括以所述训练数据中的所述各个片段的顺序连接所述子模型。

10.根据权利要求1所述的方法，其中所述非线性模型被配置用于生成运输服务的价格。

11.一种用于训练非线性模型的机器学习系统，包括：

通信接口，被配置为接收训练数据；

存储器，被配置为存储所述训练数据和所述非线性模型；以及

至少一个处理器，被配置为

在所述训练数据的至少两个断裂线位置放置至少两个断裂线；

确定每个断裂线位置的熵变；

选择至少一个断裂线位置，每个位置与大于预定阈值的熵变相关联；

根据所述至少一个所选断裂线位置，将所述训练数据分成至少两个片段；以及

基于所述片段生成所述非线性模型。

12.根据权利要求11所述的系统，其中所述预定阈值根据所述非线性模型的深度确定。

13.根据权利要求11所述的系统，其中所述处理器还被配置为：

根据所述未分段训练数据确定原始熵；

根据与所述断裂线位置相关的所述训练数据的假设片段确定断裂熵；以及

根据所述原始熵和所述断裂熵确定所述断裂线位置的所述熵变。

14.根据权利要求11所述的系统，其中所述处理器还被配置为：

生成所述至少两个片段的子模型；以及

通过集合所述子模型生成所述非线性模型。