一种集成学习方法及装置与流程

技术特征：
1.一种集成学习方法，其特征在于，包括：获取模型组合，所述模型组合中包含多个模型；通过预设贝叶斯模型平均算法确定所述模型组合对应的模型策略，其中，所述策略中包含每个所述模型对应的模型权重；获取所述模型组合对应的测试数据，并利用所述测试数据对多个所述模型进行训练，得到测试集输出值；将所述测试集输出值应用于所述模型策略中，并得到继承学习的目标结果，所述目标结果为以下任意一种：预测值、分类结果。2.根据权利要求1所述的方法，其特征在于，获取模型组合，包括：获取所述模型组合对应的目标数据集；将所述目标数据集划分为训练数据以及所述测试数据；通过所述训练数据进行模型训练，以得到多个所述模型；多个所述模型确定为所述模型组合。3.根据权利要求2所述的方法，其特征在于，通过所述训练数据进行模型训练，以得到多个所述模型，包括：将所述训练数据进行交叉验证以得到多个训练子集以及多个验证子集；依据多个所述训练子集以及预设算法，进行模型训练以得到多个所述模型，所述预设算法为以下至少一种：随机森林算法、模型预测算法。4.根据权利要求2所述的方法，其特征在于，在通过预设贝叶斯模型平均算法确定所述模型组合对应的模型策略之前，所述方法包括：获取贝叶斯平均算法；获取组合模型空间，所述组合模型空间中包含了多个贝叶斯模型的平均可能，所述平均可能为所述组合模型空间内包含的多个模型对应的权重；将所述组合模型空间引入至所述贝叶斯平均算法中以获取所述预设贝叶斯模型平均算法。5.根据权利要求3所述的方法，其特征在于，通过预设贝叶斯模型平均算法确定所述模型组合对应的模型策略，包括：获取所述验证子集，其中，所述验证子集包括验证集输入值以及验证集真实值；对多个所述模型进行预测并得到验证集输出值；根据所述验证子集的预测性能的后验概率以及所述验证集输出值，通过所述预设贝叶斯模型平均算法计算所述模型策略。6.根据权利要求5所述的方法，其特征在于，根据所述验证子集的预测性能的后验概率，通过所述预设贝叶斯模型平均算法计算所述模型策略，包括：通过公式一计算所述模型策略，其中，所述公式一为d为所述训练数据，m为所有可能模型组成的模型空间，e为组合模型空间，e为所述组合模型空间内的个体假设，x
i
为所述验证集输出值，y
i
为所述验证集真实值。7.一种集成学习装置，其特征在于，包括：第一获取单元，用于获取模型组合，所述模型组合中包含多个模型；
确定单元，用于通过预设贝叶斯模型平均算法确定所述模型组合对应的模型策略，其中，所述策略中包含每个所述模型对应的模型权重；第二获取单元，用于获取所述模型组合对应的测试数据，并利用所述测试数据对多个所述模型进行训练，得到测试集输出值；应用单元，用于将所述测试集输出值应用于所述模型策略中，并得到继承学习的目标结果，所述目标结果为以下任意一种：预测值、分类结果。8.根据权利要求7所述的装置，其特征在于，所述第一获取单元，包括：第一获取子单元，用于获取所述模型组合对应的目标数据集；划分子单元，用于将所述目标数据集划分为训练数据以及所述测试数据；训练子单元，用于通过所述训练数据进行模型训练，以得到多个所述模型；确定子单元，用于多个所述模型确定为所述模型组合。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述一种集成学习方法。10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述一种集成学习方法。

技术总结
本发明公开了一种集成学习方法及装置。该发明包括：获取模型组合，模型组合中包含多个模型；通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果。通过本发明，解决了相关技术中在集成学习方法中使用的算法可靠性以及有效性差的问题。可靠性以及有效性差的问题。可靠性以及有效性差的问题。


技术研发人员：王心玥 陈震宇 刘国华 李少波
受保护的技术使用者：中国邮政储蓄银行股份有限公司
技术研发日：2022.03.24
技术公布日：2022/6/28