[发明专利]向后模型选择方法、设备及可读存储介质

说明书

本申请公开了一种向后模型选择方法、设备和可读存储介质，所述向后模型选择方法包括：接收与所述服务端关联的客户端发送的配置参数并获取待训练特征，并基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型，计算各所述待训练特征对应的第一显著性，并基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型，生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。本申请解决了向后选择模式建模门槛高和效率低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种向后模型选择方法、设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能的不断发展，机器学习建模的应用也越来越广泛，在现有技术中，金融风控、医疗模型等场景通常会使用逻辑回归模型建模，而在逻辑回归模型建模中，向后选择模式是一种重要的模型选择策略，相比全部特征加入模型训练，能有效的防止模型过拟合，但是，当前的向后选择模式通常需求建模人员具备较高的代码开发能力，且只能进行单机实现，也即，当前的向后选择模式的实施对建模人员具有较高的门槛要求，且由于只能进行单机实现进而导致向后选择模式的建模时间长，建模效率较低，所以，现有技术中存在向后选择模式建模门槛高和效率低的技术问题。

发明内容

本申请的主要目的在于提供一种向后模型选择方法、设备和可读存储介质，旨在解决现有技术中向后选择模式建模门槛高和效率低的技术问题。

为实现上述目的，本申请提供一种向后模型选择方法，所述向后模型选择方法应用于服务端，所述向后模型选择方法包括：

接收与所述服务端关联的客户端发送的配置参数并获取待训练特征，并基于各所述待训练特征和所述配置参数对预设待训练模型进行训练，获得第一初始训练模型；

计算各所述待训练特征对应的第一显著性，并基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集；

基于所述配置参数，从所述第一初始训练模型和循环训练模型集之中选取目标训练模型；

生成所述目标训练模型对应的可视化数据，并将所述可视化数据反馈至所述客户端。

可选地，所述循环训练模型集包括一个或者多个模型元素，各所述模型元素中包括第二初始训练模型，

所述基于各所述第一显著性，在各所述待训练特征中剔除符合预设剔除显著性要求的待剔除特征，以基于剔除后的各所述待训练特征，对所述第一初始训练模型进行循环训练，获得循环训练模型集的步骤包括：

基于各所述第一显著性和所述预设剔除显著性要求，选取各所述待训练特征中的所述待剔除特征，并剔除所述待剔除特征；

基于剔除后的各所述待训练特征，对所述第一初始训练模型进行训练，获得所述第二初始训练模型；

计算剔除后的各所述待训练特征的第二显著性，并基于各所述第二显著性，在剔除后的各所述待训练特征中再次剔除符合所述预设剔除显著性要求的其他所述待剔除特征；

基于再次剔除后的各所述待训练特征，对所述第二初始训练模型进行循环训练，获得一个或者多个所述模型元素，直至各所述待训练特征中不存在所述待剔除特征。