[发明专利]基于风险识别的模型训练方法、装置和电子设备

说明书

本说明书实施例公开了一种基于风险识别的模型训练方法、装置及电子设备，具体方案包括：获取无样本标签的第一数据集，第一数据集包含预期具有第一类样本标签的样本数据，在该预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；对第一数据集预配置第一类样本标签，利用该第一数据集运行配置有第一模型参数的目标模型，生成预测值。利用损失函数判断预测值相比于第一数据集所反映的目标值的损失量，估算损失量对应的第一数据集的统计中心估值，将统计中心估值转换成统计中心期望值，利用损失量和损失量对应的统计中心期望值调整第一模型参数，直到损失量达到预设条件。

技术领域

本说明书实施例涉及计算机技术领域，尤其涉及一种基于风险识别的模型训练方法、装置和电子设备。

背景技术

机器学习是人工智能的一个分支学科，主要研究的是让机器从过去的经历中学习经验，对数据的不确定性进行建模，对未来进行预测。通常，机器学习方法包括如下两类：

a.有监督方法：有标注数据时，有监督方法通常可以实现更强的泛化能力；

b.无监督方法：不需要标注数据，通过异常检测技术就可以防范恶意攻击；

在实际业务场景中，在更多时候，可能只得到一小部分正样本和大量未标记的样本，但这些未标记样本中可能仍有少量正样本。虽然为了方便操作，可以将未标记样本都作为负样本进行训练，但是如何在这种情况下提升模型辨别准确度，就成为一个值得思考的问题。

发明内容

有鉴于此，本说明书实施例提供了一种提升模型准确度的基于风险识别的模型训练方法、装置和电子设备。

本说明书实施例采用下述技术方案：

本说明书实施例提供一种基于风险识别的模型训练方法，包括：

获取无样本标签的第一数据集，所述第一数据集包含预期具有第一类样本标签的样本数据，在所述预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据；

对所述第一数据集预配置所述第一类样本标签；

利用预配置所述第一类样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；

利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；

估算所述损失量对应的预配置所述第一类样本标签的所述第一数据集的统计中心估值；

基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；

利用所述损失量和所述损失量对应的所述统计中心期望值调整所述第一模型参数，直到所述损失量达到预设条件。

本说明书实施例还提供一种基于风险识别的模型训练方法，包括：

获取无样本标签的第一数据集，所述第一数据集包含预期的负样本数据，在所述预期的负样本数据中掺杂有正样本数据；

对所述第一数据集预配置负样本标签；

利用预配置所述负样本标签的所述第一数据集运行配置有第一模型参数的目标模型，生成预测值；

利用损失函数判断所述预测值相比于所述第一数据集所反映的目标值的损失量，所述损失函数包括所述第一模型参数和统计中心期望值；

估算所述损失量对应的预配置所述负样本标签的所述第一数据集的统计中心估值；

基于所述统计中心估值与统计中心期望值之间的约束关系，将所述统计中心估值转换成所述统计中心期望值；