模型训练方法、特征分类方法、装置和计算机设备与流程

技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：根据多个用户的历史病症特征数据，确定各病症特征对于各科室的贡献度；所述贡献度为病症特征针对于科室的出现频率；根据所述历史病症特征的贡献度，确定样本数据集；根据所述样本数据集对初始分类模型训练，得到目标分类模型；所述初始分类模型包括第一层分类模型和第二层分类模型，其中所述第二层分类模型为最小二乘双支持向量机元分类模型；所述目标分类模型用于根据所述用户的病症特征进行科室分类。2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据集对初始分类模型训练，得到目标分类模型，包括：将所述样本数据集输入至所述第一层分类模型中，得到所述样本数据集对应的第一分类结果；根据所述第一分类结果、所述样本数据集，训练所述第二层分类模型，直到所述第二层分类模型的模型参数满足预设的参数条件，得到所述目标分类模型。3.根据权利要求2所述的方法，其特征在于，所述第一分类结果包括第一训练结果和第一测试结果；所述将所述样本数据集输入至所述第一层分类模型中，得到所述样本数据集对应的第一分类结果，包括：根据预设的划分比例，确定所述样本数据集中的第一训练集和第一测试集；将所述第一训练集输入至所述第一层分类模型中，得到所述第一训练结果；将所述第一测试集输入至所述第一层分类模型中，得到所述第一测试结果。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一分类结果、所述样本数据集，训练所述第二层分类模型，直到所述第二层分类模型的模型参数满足预设的参数条件，得到所述目标分类模型，包括：获取第二训练集和第二测试集；所述第二训练集包括所述第一训练结果和所述第一训练集；所述第二测试集包括所述第一测试结果和所述第一测试集；根据所述第二训练集和所述第二测试集，对所述第二层分类模型进行训练，直到所述第二层分类模型的模型参数满足预设的参数条件，得到所述目标分类模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二训练集和所述第二测试集，对所述第二层分类模型进行训练，直到所述第二层分类模型的模型参数满足预设的参数条件，得到所述目标分类模型，包括：根据所述第二训练集、所述第二测试集和预设的交叉验证算法，计算预设次数对应的所述第二层分类模型的第二分类结果；根据各所述第二层分类模型的第二分类结果，确定各所述分类结果对应的分类识别率；根据各所述分类结果对应的分类识别率和预设阈值，确定各所述分类结果的标准偏差；确定所述标准偏差最小的分类结果所对应的候选模型参数，并根据所述候选模型参数对所述第二层分类模型进行配置，得到所述目标分类模型。6.根据权利要求1所述的方法，其特征在于，所述根据多个用户的历史病症特征数据，确定各病症特征对于各科室的贡献度，包括：
根据各所述历史病症特征数据，确定各所述病症特征对应的词频-逆文件频率；根据各所述病症特征的词频-逆文件频率，计算各所述病症特征对于各所述科室的贡献度。7.根据权利要求6所述的方法，其特征在于，所述根据所述历史病症特征的贡献度，确定样本数据集，包括：确定各所述病症特征对应的分类标签；根据各所述病症特征的分类标签，采用布尔类型对所述各所述病症特征进行数值化处理，得到数值化处理后的病症特征集；将所述数值化处理后的病症特征集和各所述病症特征的贡献度进行加权，得到所述样本数据集。8.一种特征分类方法，其特征在于，所述方法包括：获取用户的病症特征；将所述用户的病症特征输入至目标分类模型中，确定所述用户的病症特征的科室分类；所述目标分类模型包括第一层分类模型和第二层分类模型，其中所述第二层分类模型为最小二乘双支持向量机元分类模型；其中，所述目标分类模型为根据样本数据集对初始分类模型中进行训练得到的，所述样本数据集为根据用户的历史病症特征数据和各病症特征对于各科室的贡献度所确定的数据集，所述贡献度为病症特征针对于科室的出现频率。9.一种模型训练装置，其特征在于，所述装置包括：获取模块，用于根据多个用户的历史病症特征数据，确定各病症特征对于各科室的贡献度；所述贡献度为病症特征针对于科室的出现频率；确定模块，用于根据所述历史病症特征的贡献度，确定样本数据集；训练模块，用于根据所述样本数据集对初始分类模型训练，得到目标分类模型；所述初始分类模型包括第一层分类模型和第二层分类模型，其中所述第二层分类模型为最小二乘双支持向量机元分类模型；所述目标分类模型用于根据所述用户的病症特征进行科室分类。10.一种特征分类装置，其特征在于，所述装置包括：获取模块，用于获取用户的病症特征；分类模块，用于将所述用户的病症特征输入至目标分类模型中，确定所述用户的病症特征的科室分类；所述目标分类模型包括第一层分类模型和第二层分类模型，其中所述第二层分类模型为最小二乘双支持向量机元分类模型；其中，所述目标分类模型为根据样本数据集对初始分类模型中进行训练得到的，所述样本数据集为根据用户的历史病症特征数据和各病症特征对于各科室的贡献度所确定的数据集，所述贡献度为病症特征针对于科室的出现频率。11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的数据处理方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的数据处理方法的步骤。

技术总结
本申请涉及一种模型训练方法、特征分类方法、装置和计算机设备。该方法包括：计算机设备根据多个用户的历史病症特征数据，确定各病症特征对于各科室的贡献度，根据历史病症特征的贡献度，确定样本数据集，根据样本数据集对初始分类模型训练，得到目标分类模型；其中，贡献度为病症特征针对于科室的出现频率，初始分类模型包括第一层分类模型和第二层分类模型，其中第二层分类模型为最小二乘双支持向量机元分类模型，目标分类模型用于根据用户的病症特征进行科室分类。在本方案中所涉及的目标分类模型，采用最小二乘双支持向量机作为Stacking集成学习的第二层元分类器，降低了模型在训练过程中的学习难度，提高模型训练的求解效率。提高模型训练的求解效率。提高模型训练的求解效率。


技术研发人员：何海洋
受保护的技术使用者：武汉联影医疗科技有限公司
技术研发日：2021.11.11
技术公布日：2022/3/11