[发明专利]算法的初始化参数推荐方法、装置、电子设备和介质

说明书

本公开提供了一种算法的初始化参数推荐方法、装置、设备、存储介质和程序产品，涉及计算机技术领域，可以应用于金融技术领域。该方法包括：响应于接收到来自用户的推荐请求，获取与推荐请求对应的输入信息，输入信息包括目标算法和第一输入模型特征；根据与目标算法对应的第一历史数据，第一历史数据包括多个历史第二输入模型特征的数值向量，确定与第一输入模型特征的数值向量匹配的目标历史第二输入模型特征的数值向量，得到与目标历史第二输入模型特征对应的目标第一初始化参数值；根据与目标算法对应的第二历史数据，第二历史数据包括多个历史第二初始化参数值以及分别与每个历史第二初始参数值对应的模型训练表现值，确定目标模型训练表现值，得到与目标模型训练表现值对应的目标第二初始化参数值；以及根据目标第一初始化参数值和目标第二初始化参数值确定目标算法的初始化参数推荐值，并向用户推荐初始化参数推荐值。

技术领域

本公开涉及计算机技术领域，可以应用于金融技术领域，更具体地涉及一种算法的初始化参数推荐方法、装置、设备、介质和程序产品。

背景技术

机器学习相关的工作需要借助很多机器学习算法、利用已经写好的算法实现代码、大量的数据以及基础设施来训练这些算法。机器学习平台可以快速定位到最合适的机器学习算法、调整算法参数、将大规模的模型训练部署到企业内部或者云端集群、从而提供一套管理和监控模型训练流程的完整系统。

机器学习中很重要的一步在于配置和调整算法参数。一个机器学习模型会根据数据学习生成多个模型参数(model parameters)。简单的说，机器学习所要“学习”的就是数据当中隐含的模型参数，然后用这些隐含参数对未来的新数据进行预测和判断。算法参数(hyperparameters)是在模型训练之前设定的，并非从数据中“学习”得来，算法参数反映了模型复杂度，训练时间等特征。不同机器学习算法有不同的算法参数。

发明内容

鉴于上述问题，本公开提供了算法的初始化参数推荐方法、装置、设备、介质和程序产品，可以在推荐初始化参数的同时，避免过于依赖单一因素，如响应于接收到来自用户的推荐请求，通过第一策略，确定与第一输入模型特征的数值向量匹配的目标历史第二输入模型特征的数值向量，得到与目标历史第二输入模型特征对应的目标第一初始化参数值；通过第二策略，根据与目标算法对应的第二历史数据，确定目标模型训练表现值，得到与目标模型训练表现值对应的目标第二初始化参数值，然后根据目标第一初始化参数值和目标第二初始化参数值确定所述目标算法的初始化参数推荐值，从而实现融合多个参数得到目标参数推荐值，有利于使模型达到更好的效果。

根据本公开的第一个方面，提供了一种算法的初始化参数推荐方法，包括：响应于接收到来自用户的推荐请求，获取与所述推荐请求对应的输入信息，所述输入信息包括目标算法和第一输入模型特征；根据与所述目标算法对应的第一历史数据，所述第一历史数据包括多个历史第二输入模型特征的数值向量，确定与所述第一输入模型特征的数值向量匹配的目标历史第二输入模型特征的数值向量，得到与所述目标历史第二输入模型特征对应的目标第一初始化参数值；根据与所述目标算法对应的第二历史数据，所述第二历史数据包括多个历史第二初始化参数值以及分别与每个历史第二初始参数值对应的模型训练表现值，确定目标模型训练表现值，得到与所述目标模型训练表现值对应的目标第二初始化参数值；以及根据所述目标第一初始化参数值和所述目标第二初始化参数值确定所述目标算法的初始化参数推荐值，并向所述用户推荐所述初始化参数推荐值。

根据本公开实施例，所述第二历史数据还包括与每个历史第二初始参数值对应的模型评估AUC指标、与每个历史第二初始参数值对应的提升度指标和与每个历史第二初始参数值对应的区分度KS指标，所述方法包括：根据所述模型评估AUC指标、提升度指标和区分度KS指标，确定所述分别与每个历史第二初始参数值对应的模型训练表现值。