[发明专利]向前模型选择方法、设备和可读存储介质

权利要求书

1.一种向前模型选择方法，其特征在于，所述向前模型选择方法应用于服务端，所述向前模型选择方法包括：

接收与所述服务端关联的客户端发送的配置参数，并基于所述配置参数对预设初始模型进行训练，获得待训练模型；

获取待训练特征，并计算各所述待训练特征的第一显著性；

基于各所述第一显著性，在所述待训练特征中选取符合预设显著性要求的目标特征，以基于所述目标特征对所述待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，在所述循环训练模型集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。

2.如权利要求1所述向前模型选择方法，其特征在于，所述循环训练模型集包括一个或者多个模型元素，

所述基于各所述第一显著性，在所述待训练特征中选取符合预设显著性要求的目标特征，以基于所述目标特征对所述待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，在各所述待训练特征中选取符合所述预设显著性要求的最显著特征作为所述目标特征；

将所述目标特征加入所述待训练模型以对所述待训练模型进行训练更新，获得所述模型元素；

重新计算各所述待训练特征中的其他特征的第二显著性，并基于各所述第二显著性对所述待训练模型进行循环训练，以获取所述模型元素，直至各所述待训练特征中不存在所述目标特征。

3.如权利要求2所述向前模型选择方法，其特征在于，所述基于各所述第一显著性，在各所述待训练特征中选取符合所述预设显著性要求的最显著特征作为所述目标特征的步骤包括：

将各所述第一显著性进行比对，以选取显著性最高的所述待训练特征作为所述最显著特征；

将所述最显著特征对应的目标显著性与所述预设显著性阀值进行比对；

若所述目标显著性高于或者等于所述预设显著性阀值，则判定所述最显著特征满足所述预设显著性要求，并将所述最显著特征作为所述目标特征。

4.如权利要求1所述向前模型选择方法，其特征在于，所述获取待训练特征，并计算各所述待训练特征的第一显著性的步骤包括：

获取所述待训练特征，并计算各所述待训练特征对应的评分卡方值；

基于各所述评分卡方值和各所述待训练特征的自由度，计算各所述第一显著性。

5.如权利要求1所述向前模型选择方法，其特征在于，所述配置参数包括训练完成判定条件，

所述基于所述配置参数对预设初始模型进行训练，获得待训练模型的步骤包括：

对所述预设初始模型进行训练更新，并判断更新后的所述预设初始模型是否满足所述训练完成判定条件；

若更新后的所述预设初始模型满足所述训练完成判定条件，则获得所述待训练模型；

若更新后的所述预设初始模型不满足所述训练完成判定条件，则继续对所述预设初始模型进行训练更新，直至更新后的所述预设初始模型满足所述训练完成判定条件。

6.如权利要求1所述向前模型选择方法，其特征在于，所述基于所述配置参数，在所述循环训练模型集中选取目标训练模型的步骤包括：

获取所述参数配置中的模型选择策略，其中，所述模型选择策略包括AUC值和AIC值；

若所述模型选择策略为所述AUC值，则将所述循环训练模型集中各元素的所述AUC值进行对比，以选取最大的所述AUC值对应的元素作为所述目标训练模型；

若所述模型选择策略为所述AIC值，则将所述循环训练模型集中各元素的所述AIC值进行对比，以选取最小的所述AIC值对应的元素作为所述目标训练模型。

7.如权利要求1所述向前模型选择方法，其特征在于，所述客户端包括可视化界面，

所述生成所述目标训练模型对应的可视化数据，以将所述可视化数据反馈至所述客户端的步骤包括：

获取所述目标训练模型的模型选择过程对应的备选特征数据、选择汇总数据和训练过程数据；

生成所述备选特征数据、所述选择汇总数据和所述训练过程数据共同对应的可视化数据，并将所述可视化数据实时反馈至所述可视化界面。