[发明专利]用于训练非线性模型的方法和系统

说明书

用于训练模型的系统和由计算机实现的方法。所述由计算机实现的方法可以包括通过通信接口获取训练数据，例如天气、时间、交通状况等。所述由计算机实现的方法还可以包括由处理器在训练数据中的至少两个断裂线位置处放置至少两个断裂线。所述由计算机实现的方法还可以包括由所述处理器确定每个断裂线位置的熵变，并且由所述处理器选择至少一个断裂线位置，每个断裂线位置与大于预定阈值的熵变相关联。所述由计算机实现的方法可以进一步包括由所述处理器根据至少一个所选断裂线位置将训练数据分成至少两个片段，并且由所述处理器基于所述片段生成非线性模型。

技术领域

本文涉及训练一种非线性模型，具体的是训练一种基于训练数据信息熵变的非线性模型。

背景技术

在机器学习中，基于训练数据(例如，包括样本数据和监督信号)来训练模型是至关重要的。训练的模型可以反映样本数据和监督信号之间的对应关系。训练的模型随后可以应用于新的输入数据，以根据训练的对应关系提供估计的结果。通常，实际的对应关系是非线性的。例如，通过互联网提供服务依赖于对用户需求、服务能力、交通状况、可能性等的估计，并且所有这些结果与多种因素非线性相关，例如天气、白天时间、位置服务等。因此，估计需要使用非线性模型。

图1A是与训练数据相关联的示例性非线性对应关系。然而，反映对应关系的训练的模型可以是线性的。图1B是对应于训练数据的示例性训练的模型。例如，如图1A所示，实际的对应关系可以用y＝f(x)表示，其中f(x)是非线性函数。如果线性模型用于训练，则训练的模型将反映t＝kx的线性关系(例如，如图1B所示)。图1C是示例性非线性对应关系(实线)和示例性训练的线性模型(虚线)的比较。尽管线性模型追踪非线性模型的一般形状，但它过度概括了实际的模型，并且在许多部分中，丢失了对未来应用至关重要的细节。因此，线性模型经常无法在将来的应用中产生正确的结果。

本申请的实施例通过基于训练数据的信息熵变训练非线性模型来解决上述问题，以准确地反映训练数据中的实际非线性对应关系。

发明内容

本申请的实施例提供了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。该方法可以包括通过通信接口获取训练数据。该方法还可以包括由处理器在所述训练数据中的至少两个断裂线位置处放置至少两个断裂线。该方法还可以包括由所述处理器确定每个断裂线位置的熵变。该方法可以进一步包括由所述处理器选择至少一个断裂线位置，每个断裂线位置与大于预定阈值的熵变相关联，并且处理器根据选择的至少一个断裂线位置将训练数据分成所述的至少两个片段。该方法还可以包括由所述处理器基于所述片段生成非线性模型。

本发明实施例还提供了一种用于训练非线性模型的机器学习系统。该系统可以包括通信接口被配置为接收训练数据，以及内存被配置用于存储训练数据和非线性模型。该系统还可以包括至少一个处理器，该处理器被配置用于在所述训练数据中的至少两个断裂线位置处放置至少两个断裂线。所述至少一个处理器可以进一步被配置用于确定每个断裂线位置的熵变。所述至少一个处理器也可以被配置用于选择至少一个断裂线位置，每个断裂线位置与大于预定阈值的熵变相关联，并且根据所选至少一个断裂线位置将训练数据分成至少两个片段。所述至少一个处理器还可以进一步被配置以基于所述片段生成非线性模型。

本申请的实施例还提供了一种存储一组指令的非暂时性计算机可读介质。当指令由电子设备的至少一个处理器执行时，指令使电子设备执行用于训练非线性模型的方法。该方法可以包括获取训练数据，以及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。该方法还可以包括确定每个断裂线位置的熵变。该方法还可以包括选择至少一个断裂线位置，每个断裂线位置与大于预定阈值的熵变相关联。该方法还可以包括根据至少一个所选断裂线位置将训练数据分成至少两个片段，并基于所述片段生成非线性模型。

应当理解，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对要求保护的本发明的限制。

附图说明