一种基于交互检测的矢量数据高阶特征最优变换方法与流程

技术特征：
1.一种基于交互检测的矢量数据高阶特征最优变换方法，其特征在于，所述方法包括：获取教师模型；在所述教师模型进行二元特征交互作用检测得到二元特征交互作用对：根据所述二元特征交互作用对进行层级高阶特征交互作用对检测，得到高阶特征交互作用对；根据所述二元特征交互作用对和所述高阶特征交互作用对，构建参数化神经网络模型；对所述神经网络模型求解，得到最优参数。2.根据权利要求1所述的方法，其特征在于，在所述教师模型进行二元特征交互作用检测得到二元特征交互作用对的步骤包括：基于置信区间上界方法，在所述教师模型进行二元特征交互作用检测得到所述二元特征交互作用对。3.根据权利要求2所述的方法，其特征在于，基于置信区间上界方法，在所述教师模型进行二元特征交互作用检测得到所述二元特征交互作用对的步骤包括：根据公式(1)获取特征交互作用对的强度，其中，x是输入矢量数据点，f(x)是所述教师模型的输出，x
i
、x
j
分别表示向量x的第i，j个分量；基于有限差分方法，根据公式(2)近似得到二阶导数，其中，e
i
是第i个元素为1的独热向量，e
j
是第j个元素为1的独热向量，h
i
、h
j
表示有限差分的大小；预设多个老虎臂，将每个所述老虎臂与一个所述二元特征交互作用对一一对应；拉动每个所述老虎臂至预设次数，得到预设次数个数据样本点；根据所述数据样本点获取所述测量强度的初始预测值、预测的不确定区间、上界和下界；采样时，拉动多个所述老虎臂，获取多个所述老虎臂中具有最大上界的一个，更新当前次数对应的所述上界和所述下界；根据多个所述老虎臂的所述上界和所述下界，得到预设数值个所述老虎臂的所述二元特征交互作用对。4.根据权利要求3所述的方法，其特征在于，根据所述二元特征交互作用对进行层级高阶特征交互作用对检测，得到高阶特征交互作用对的步骤包括：基于所述置信区间上界方法检测出预设数值个最强的所述二元特征交互作用对；
根据预设数值个最强的所述二元特征交互作用对构造无向图；获取所述无向图中所有的团；基于所述置信区间上界方法，根据所述团得到所述高阶特征交互作用对及所述高阶特征交互作用对强度。5.根据权利要求1所述的方法，其特征在于，根据所述二元特征交互作用对和高阶特征交互作用对，构建参数化神经网络模型的步骤包括：根据公式(3)构建参数化神经网络模型，其中p是x的维度，表示检测到的特征交互作用的索引集合，s
i
、r
i
分别是单变量和交互作用的特征变换函数，对应于单变量s
i
或特征交互对r
i
的特征变换函数的参数，β是特征变换函数的加权系数。6.根据权利要求5所述的方法，其特征在于，根据所述二元特征交互作用对和高阶特征交互作用对，构建参数化神经网络模型的步骤之后还包括：在所述神经网络模型后增加修补层。7.根据权利要求1所述的方法，其特征在于，对所述神经网络模型求解，得到最优参数的步骤包括：根据公式(4)定义回归任务损失函数，根据公式(5)定义回归任务损失函数，其中，n表示样本数量，y
j
表示第j样本的标签，x
j
表示第j样本的特征向量，θ表示神经网络参数，β表示特征选取参数，λ表示大于零的正则参数；根据小批量梯度下降法对所述神经网络模型求解，得到最优参数。8.根据权利要求5所述的方法，其特征在于，对所述神经网络模型求解，得到最优参数的步骤之后包括：对所述神经网络模型进行可视化处理，得到单变量和特征交互作用对的仿真结果。9.一种移动终端，其特征在于，所述移动终端包括相互耦接的处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于加载所述计算机程序并执行。10.一种计算机存储介质，其上存有计算机程序，其特征在于，所述计算机程序用于实现上述权利要求1～8中任一项方法的步骤。

技术总结
本申请提供一种基于交互检测的矢量数据高阶特征最优变换方法，该方法包括：获取教师模型；在教师模型进行二元特征交互作用检测得到二元特征交互作用对；根据二元特征交互作用对进行层级高阶特征交互作用对检测，得到高阶特征交互作用对；根据二元特征交互作用对和高阶特征交互作用对，构建参数化神经网络模型；对神经网络模型求解，得到最优参数。通过训练得到教师模型，在教室模型中进行特征交互作用检测出二元特征交互作用对及高阶特征交互作用对，进而构建能够捕捉到特征之间的交互信息，对神经网络模型求解，得到最优参数，使模型优度有明显提高，能够以参数化的形式给出特征或特征组合的最优变换，便于得到更加准确的预测。测。测。


技术研发人员：张天健 尹峰 罗智泉
受保护的技术使用者：香港中文大学（深圳）
技术研发日：2020.10.28
技术公布日：2021/11/26