[发明专利]一种识别方法、装置、设备及可读存储介质

权利要求书

1.一种识别方法，其特征在于，包括：

获取待识别学生的识别数据集，所述识别数据集包括在预设的识别时间段内的多个目标特征的特征值；

将所述待识别学生的识别数据集输入至预设的识别模型，得到所述识别模型输出的识别结果，所述识别结果指示所述待识别学生是否是经济困难学生；

其中，所述识别模型包括融合模型和多个不同类型的判定模型，所述判定模型用于基于所述待识别学生的识别数据集预测得到用于指示所述待识别学生是否是经济困难学生的判定结果，所述融合模型用于融合各个所述判定模型输出的判定结果得到所述识别结果。

2.根据权利要求1所述的方法，其特征在于，所述识别模型的训练方法包括：

获取目标样本集，所述目标样本集包括多条添加标签的目标样本，目标样本包括学生在预设的历史时间段内各个所述目标特征的特征值，所述模板样本的标签用于指示所述目标样本对应的学生是否是经济困难学生；

以所述目标样本为输入，以所述目标样本的标签为目标输出，训练多个不同类型的基学习器，将训练好的基学习器作为所述判定模型；

以各个所述判定模型输出的判定结果为输入，以所述目标样本的标签为目标输出，训练元学习器，将训练好的元学习器作为所述融合模型。

3.根据权利要求2所述的方法，其特征在于，所述多个不同类型的基学习器包括：梯度提升决策树、残差神经网络、随机森林、和支持向量机中任意多个；

以所述目标样本为输入，以所述目标样本的标签为目标输出，训练目标基学习器，所述目标基学习器为任意一个基学习器，包括：

划分所述目标样本集得到训练集和测试集；

将所述训练集等分得到m个子训练集；

执行m次第一训练流程，得到训练后的所述目标基学习器，所述m为预设数值；

任一次第一训练流程包括：

提取m-1个子训练集，以所述m-1个子训练集为训练数据训练所述目标基学习器后，将目标子训练集输入至所述目标基学习器，依据所述目标基学习器输出的所述目标子训练集的判定结果以及所述目标子训练集的标签，验证所述目标基学习器是否达到预设的第一训练条件，其中，所述目标子训练集为所述m-1个子训练集之外的子训练集，每一次所述第一训练流程提取的m-1个子训练集不完全相同。

4.根据权利要求3所述的方法，其特征在于，所述元学习器包括逻辑回归模型，所述以各个所述判定模型输出的判定结果为输入，以所述目标样本的标签为目标输出，训练元学习器，包括：对于每一所述基学习器，将m个所述目标子训练集的判定结果拼接得到融合子训练集，基于各个所述基学习器对应的融合子训练集得到融合训练集；

将所述测试集作为所述目标基学习器的输入数据，获取所述目标基学习器输出的所述测试集对应的判定结果，基于各个所述基学习器输出的所述测试集对应的判定结果，获取融合测试集；

以所述融合训练集为训练数据，训练所述元学习器后，以所述融合测试集作为验证数据，验证所述元学习器是否达到预设的第二训练条件。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于智慧校园平台获取候选样本集，所述候选样本集包括多个添加标签的候选样本，所述候选样本包括多个候选特征的特征值；

依据所述候选特征与标签的皮尔逊相关系数，获取所述候选特征的相关性指标值，所述相关性指标用于指示与标签的相关程度；

利用预设的随机森林模型，获取所述候选特征的重要性指标值，所述重要性指标用于指示所述候选特征的重要程度；

依据所述候选特征的重要性指标值与相关性指标值，得到所述候选特征的筛选指标值；

将满足预设条件的候选特征作为所述目标特征，所述预设条件包括：相关性指标值大于第一预设阈值、重要性指标值大于第二预设阈值、以及筛选指标值大于第三预设阈值中至少一项；

剔除所述候选样本集中不满足所述预设条件的候选特征，得到所述目标样本集。