[发明专利]模型训练方法及装置

权利要求书

1.一种模型训练方法，其特征在于，包括：

获取初始训练样本集，其中，所述初始训练样本集中包括多组初始训练样本，每组所述初始训练样本中包括：目标对象的银行个人信息；

采用虚拟样本生成算法对所述初始训练样本集进行模拟，生成所述初始训练样本集的第一虚拟样本集，并将所述第一虚拟样本集添加至所述初始训练样本集中，得到目标训练样本集；

基于预设的分类器对所述目标训练样本集进行划分，得到用于训练目标模型的正类样本集和负类样本集；

通过所述正类样本集和所述负类样本集对所述目标模型进行训练，得到训练后的所述目标模型。

2.根据权利要求1所述的方法，其特征在于，获取初始训练样本集，包括：

获取所述目标对象的银行个人信息，将每个所述目标对象的银行个人信息作为一组初始训练样本，得到所述初始训练样本集，其中，所述银行个人信息中包括以下至少之一：账户余额、信用额度、从事行业。

3.根据权利要求1所述的方法，其特征在于，采用虚拟样本生成算法对所述初始训练样本集进行模拟，生成所述初始训练样本集的第一虚拟样本集，包括：

对于每组所述初始训练样本，采用所述虚拟样本生成算法生成所述初始训练样本的最近邻居；

将所述初始训练样本和所述初始训练样本的最近邻居的连线上的任意一点作为所述虚拟样本；

基于每组所述初始训练样本的虚拟样本确定所述初始训练样本集的所述第一虚拟样本集。

4.根据权利要求3所述的方法，其特征在于，在采用虚拟样本生成算法对每组所述初始训练样本进行模拟，生成每组所述初始训练样本的虚拟样本之后，所述方法还包括：

确定所述初始训练样本和所述虚拟样本的相对误差；

判断所述相对误差是否小于预设阈值，其中，

在所述相对误差小于所述预设阈值时，确定保留所述虚拟样本；

在所述相对误差不小于所述预设阈值时，确定删除所述虚拟样本。

5.根据权利要求1所述的方法，其特征在于，基于预设的分类器对所述目标训练样本集进行划分，得到用于训练目标模型的正类样本集和负类样本集，包括：

采用分类算法将所述目标训练样本集划分为预设数量个子训练样本集；

建立每个所述子训练样本集的分类器，其中，所述分类器用于确定每个所述子训练样本集中的正样本和负样本；

基于所述分类器对所述目标训练样本集进行划分，得到用于训练所述目标模型的所述正类样本集和所述负类样本集。

6.根据权利要求1所述的方法，其特征在于，在得到训练后的所述目标模型之前，所述方法还包括：

基于超参优化算法对所述目标模型的模型参数进行调整。

7.根据权利要求1所述的方法，其特征在于，在得到训练后的所述目标模型之后，所述方法还包括：

获取测试样本集，并采用所述测试样本集对所述目标模型进行测试，得到所述目标模型的输出结果；

在所述输出结果的准确性高于训练前的所述目标模型的输出结果时，重新对所述初始训练样本集进行模拟，生成所述初始训练样本集的第二虚拟样本集，并基于所述第二虚拟样本集和所述初始训练样本集对所述目标模型进行训练，其中，当所述目标模型的输出结果的准确性不再提升，停止对所述目标模型进行训练。

8.一种模型训练装置，其特征在于，包括：

获取模块，用于获取初始训练样本集，其中，所述初始训练样本集中包括多组初始训练样本，每组所述初始训练样本中包括：目标对象的银行个人信息；

确定模块，用于采用虚拟样本生成算法对所述初始训练样本集进行模拟，生成所述初始训练样本集的第一虚拟样本集，并将所述第一虚拟样本集添加至所述初始训练样本集中，得到目标训练样本集；

划分模块，用于基于预设的分类器对所述目标训练样本集进行划分，得到用于训练目标模型的正类样本集和负类样本集；

训练模块，用于通过所述正类样本集和所述负类样本集对所述目标模型进行训练，得到训练后的所述目标模型。