[发明专利]基于模型应用画像的多模型融合方法及装置

说明书

本发明提供了一种基于模型应用画像的多模型融合方法及装置，该方法包括：抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像；根据应用数据以及多个应用画像对所述多个基础模型进行筛选；根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。本发明根据基础模型应用画像，并结合应用数据分布特点，对预测结果进行关注度加权整合、多级随机抽样模型融合定制。本发明能够根据数据的分布特性和基础模型在特定应用数据的预测能力、进行个性化模型融合，满足实际应用需求。

技术领域

本发明涉及模型集成技术领域，具体涉及一种基于模型应用画像的多模型融合方法及装置。

背景技术

近年来，模型集成已广泛应用在图像分割、分类、检测等领域。模型集成是对多个基础模型在应用数据上的所有预测结果进行融合，形成最终结果，目标是使最终的结果能够“取长补短”，通过融合各个模型的学习能力，提高最终模型的泛化能力。

目前，模型融合主要采用bagging，boosting和stacking三类通用框架，bagging是投票式算法，首先使用Bootstrap产生不同的训练数据集，然后再分别基于这些训练数据集得到多个基础分类器，最后通过对基础分类器的分类结果进行组合得到一个相对更优的预测模型。

boosting是一种可以用来减小监督式学习中偏差的机器学习算法，是一种框架算法，主要是通过对样本集的操作获得样本子集，然后用弱分类算法在样本子集上训练生成一系列的基分类器。可以用来提高其他弱分类算法的识别率，也就是将其他的弱分类算法作为基分类算法放于Boosting框架中，通过Boosting框架对训练样本集的操作，得到不同的训练样本子集，用该样本子集去训练生成基分类器；每得到一个样本集就用该基分类算法在该样本集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后Boosting框架算法将这n个基分类器进行加权融合，产生一个最后的结果分类器，在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率。在产生单个的基分类器时可用相同的分类算法，也可用不同的分类算法，这些算法一般是不稳定的弱分类算法，如神经网络(BP)，决策树(C4.5)等。

Stacking是常见的集成学习框架。Stacking就是当用初始训练数据学习出若干个基学习器后，将这几个学习器的预测结果作为新的训练集，来学习一个新的学习器。Stacking的基础层通常包括不同的学习算法，因此stacking ensemble往往是异构的。一般来说，就是训练一个多层(一般是两层)的学习器结构，第一层(也叫学习层)用n个不同的分类器(或者参数不同的模型)将得到预测结果合并为新的特征集，并作为下一层分类器的输入。

现有技术中的模型融合方法在模型融合时没有考虑各基础模型在新的数据分布和小样本数据应用上的预测能力，无法根据模型在不同应用数据分布上的特性，对预测结果进行动态加权和个性化融合定制。

发明内容

根据本发明所提供的基于模型应用画像的多模型融合方法及装置，可以根据基础模型应用画像，结合应用数据分布特点，对预测结果进行关注度加权整合、多级随机抽样模型融合定制。该方法能够根据数据的分布特性和基础模型在特定应用数据的预测能力、进行个性化模型融合，以更好地满足实际应用需求。

为了实现上述目的，本发明提供了一种基于模型应用画像的多模型融合方法，包括：

抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像；

根据应用数据以及多个应用画像对所述多个基础模型进行筛选；

根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

一实施例中，所述抽取所述多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像，包括：