一种模型训练方法和装置与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于机器学习的模型训练方法和装置。


背景技术：

2.在机器学习领域，通常需要收集大量样本才能训练得到一个性能优异的计算模型。大数据时代的到来，样本属性的维度也由传统的几十维、几百维上升到千维、万维，甚至更高维度，样本所包含的信息也更加丰富和个性化。然而，在收集样本时，由于样本的特征维度过高或其他各种原因很容易会造成样本的部分属性值缺失，即样本信息不完整。若直接丢弃所有不完整样本，可能会导致训练的数据不足。在很多领域(如信用评价领域)，用户信息的完整程度本身也是一种重要信息，若在样本信息不完整时采用传统方法如用零、中值、均值、众数或者插值来填充样本的缺失值，可能会引入大量误差，最终影响模型效果。因此，在完整样本不足的情况下，如何在训练样本不完整样的前提下，提高目标训练模型的精准度成为本领域技术人员亟待解决的技术问题之一。


技术实现要素：

3.有鉴于此，本发明实施例提供一种模型训练方法和装置，以实现提高在训练样本不完整样的前提下，提高目标训练模型的精准度。
4.为实现上述目的，本发明实施例提供如下技术方案：
5.一种模型训练方法，包括：
6.获取训练样本集合；
7.获取训练样本集合中缺失特征参数的原始训练样本，记为待修正训练样本；
8.获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值；
9.为所述训练样本集合中的待修正训练样本配置所述修正权重值；
10.采用配置所述修正权重值后的训练样本集合对初始模型进行训练，得到目标模型。
11.优选的，上述模型训练方法中，所述获取训练样本集合之后，获取训练样本集合中缺失特征参数的原始训练样本之前，还包括：
12.采用所述原始训练样本集合对初始模型进行训练，得到修正模型；
13.依据所述修正模型得到所述原始训练样本中的各个特征参数的权重值或增益值；
14.所述获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值，包括：
15.依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值。
16.优选的，上述模型训练方法中，依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值，包括：
17.依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值wi；
18.其中，所述{features＝null}为示性函数，所述s＝1代表第1个特征参数，若待修正训练样本的第s个特征参数为空，{features＝null}的值为1，否则{features＝null}的值为0；importances代表第s个特征参数的权重值或增益值；所述a为预设系数，a的取值为0或1，所述k为原始训练样本所包含的特征参数的总数量。
19.优选的，上述模型训练方法中，所述依据所述修正模型得到所述原始训练样本中的各个特征参数的权重值或增益值之后，还包括：
20.获取权重值或增益值最大的n个特征参数，所述n为大于1的正整数；
21.获取训练样本集合中缺失特征参数的原始训练样本，记为待修正训练样本，包括：
22.获取所述原始训练样本集合中缺少所述n个特征参数中的至少一个特征参数的原始训练样本，记为待修正训练样本；
23.依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值，包括：
24.获取所述待修正训练样本所缺失的、且包括于所述n个特征参数之中的特征参数所对应的权重值或增益值；
25.基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值。
26.优选的，上述模型训练方法中，所述基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值，包括：
27.依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值wi；
28.其中，所述{feature
t
＝null}为示性函数，所述t＝1代表代表所述n个特征参数之中的第1个特征参数，若待修正训练样本的第t个特征最大的特征参数为空，{feature
t
＝null}的值为1，否则{feature
t
＝null}的值为0；importance
t
代表第t个特征参数的权重值或增益值；所述a为预设系数，a的取值范围为0或1。
29.优选的，上述模型训练方法中，获取权重值或增益值最大的n个特征参数之前，还包括：
30.采用肘部法则对各个特征参数的权重值或增益值进行处理得到的聚类个数n。
31.一种模型训练装置，包括：
32.样本采集单元，用于获取训练样本集合；
33.样本修正单元，用于获取训练样本集合中缺失特征参数的原始训练样本，记为待
修正训练样本；获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值；为所述训练样本集合中的待修正训练样本配置所述修正权重值；
34.训练单元，用于采用配置所述修正权重值后的训练样本集合对初始模型进行训练，得到目标模型。
35.优选的，上述模型训练装置中，所述样本修正单元还用于：
36.采用所述原始训练样本集合对初始模型进行训练，得到修正模型；
37.依据所述修正模型得到所述原始训练样本中的各个特征参数的权重值或增益值；
38.当所述样本修正单元获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值或增益值时具体用于：
39.依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值。
40.优选的，上述模型训练装置中，所述样本修正单元在依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值时，具体用于：
41.依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值wi；
42.其中，所述{features＝null}为示性函数，所述s＝1代表第1个特征参数，若待修正训练样本的第s个特征参数为空，{features＝null}的值为1，否则{features＝null}的值为0；importances代表第s个特征参数的权重值或增益值；所述a为预设系数，a的取值为0或1，所述k为原始训练样本所包含的特征参数的总数量。
43.优选的，上述模型训练装置中，所述样本修正单元还用于：
44.获取权重值或增益值最大的n个特征参数，所述n为大于1的正整数；
45.所述样本修正单元在获取训练样本集合中缺失特征参数的原始训练样本时具体用于：
46.获取所述原始训练样本集合中缺少所述n个特征参数中的至少一个特征参数的原始训练样本，记为待修正训练样本；
47.所述样本修正单元在依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值时，具体用于：
48.获取所述待修正训练样本所缺失的、且包括于所述n个特征参数之中的特征参数所对应的权重值或增益值；
49.基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值。
50.优选的，上述模型训练装置中，所述样本修正单元在基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值时，具体用于：
51.依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值wi；
52.其中，所述{feature
t
＝null}为示性函数，所述t＝1代表所述n个特征参数之中的第1个特征参数，若待修正训练样本的第t个特征最大的特征参数为空，{feature
t
＝null}的值为1，否则{feature
t
＝null}的值为0；importance
t
代表第t个特征参数的权重值或增益值；所述a为预设系数，a的取值范围为0或1。
53.优选的，上述模型训练装置中，所述样本修正单元，还用于：
54.采用肘部法则对各个特征参数的权重值或增益值进行处理得到的聚类个数n。
55.基于上述技术方案，本发明实施例提供的一种模型训练方案，当检测到原始训练样本存在特征参数缺失时，获取与缺失的特征参数相匹配的修正权重值，并为缺失特征参数的原始训练样本配置所述修正权重值，再依据配置修正权重值之后的原始训练样本以及不缺失特征参数的原始训练样本训练初始模型，得到目标模型，从而提高了所述目标模型的精准度。
附图说明
56.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
57.图1为本技术实施例公开的模型训练方法的流程示意图；
58.图2为本技术另一实施例公开的模型训练方法的流程示意图；
59.图3为本技术实施例公开的模型训练装置的结构示意图。
具体实施方式
60.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
61.为解决现有技术中，在样本不完整的情况下训练得到的模型精度低的问题，本技术公开了一种模型训练方法，参见图1，方法包括：
62.步骤s101：获取训练样本集合；
63.所述训练样本集合中存储有结果已知的训练样本，这些训练样本可以记为原始训练样本；
64.步骤s102：获取训练样本集合中缺失特征参数的原始训练样本，记为待修正训练样本；
65.每个原始训练样本均由多个特征参数构成，在收集所述原始训练样本时，因所述原始训练样本特征维度过高或其他各种原因会造成样本的部分特征参数缺失，造成所述原始训练本信息不完整，可以将这些信息不完整的原始训练样本记为待修正训练样本。
66.步骤s103：获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值；
67.在本技术实施例公开的技术方案中，由于所述原始训练样本所缺失的特征参数不同，会导致所述原始训练样本给目标模型带来的负面效果不同，例如，所述原始训练样本所缺失的特征参数的重要程度越高，由该所述原始训练样本造成的最终得到的目标模型的精准度越低，因此，为了降低这些原始训练样本对所述目标模型所造成的负面影响，本技术需要对这些原始训练样本的权重值进行修正，例如，未修正时，所述原始训练样本的权重值为1，当修正以后，所述原始训练样本的权重值为x，x小于1，所述x由所述原始训练样本所缺失的特征参数的重要程度决定。在本技术实施例公开的技术方案中，所述原始训练样本的修正权重值可以通过计算或查表得到，例如，可预先设置一个映射表，该映射表中存储有缺失的特征参数组与修正权重值之间的映射关系，所述特征参数组中包括至少一个特征参数。
68.步骤s104：为所述训练样本集合中的待修正训练样本配置所述修正权重值；
69.在本方案中，对模型进行正式训练之前，为各个缺失特征参数的训练样本集合配置所述修正权重值，以降低这些原始训练样本对所述目标模型所造成的负面影响。
70.步骤s105：采用配置所述修正权重值后的训练样本集合对初始模型进行训练，得到目标模型；
71.具体的，该训练过程可以采用现有技术中的训练方式进行训练，并且，在本步骤中，为了保证所述目标模型能够满足预设要求，本技术还可以采用测试样本对所述目标模型进行测试，如果测试结果表明所述目标模型满足预设要求，则输出所述目标模型，否则，继续执行步骤s105对模型继续训练，直至所述目标模型满足所述预设要求；
72.本步骤中，通常是采用模型训练模块利用修正权重值后的训练样本集合对初始模型进行训练，在训练有监督的机器学习模型时，通常会定义一个目标函数，通过最小化目标函数来实现训练结果逼近真实结果。在本方案中，所述目标函数的定义如下
[0073][0074]
其中，x代表训练样本数量。lossj代表第i个原始训练样本的权值系数(损失函数)，q代表目标函数中除损失函数外的其他部分，所述wj代表原始训练样本。
[0075]
从目标函数计算公式可以看出，原始训练样本的权值系数越小，该原始训练样本对目标函数的影响越小。因此可以降低不完整样本对训练完成的模型的输出结果的贡献度。
[0076]
在实际应用中，损失函数可以采取多种形式，比如平方损失函数、指数损失函数、对数损失函数等。当然还支持自定义的损失函数，只需要损失函数一阶和二阶可导即可。建模人员可根据实际问题灵活选取，这里不进行限定。
[0077]
本技术上述实施例公开的模型训练方法中，当检测到原始训练样本存在特征参数缺失时，获取与缺失的特征参数相匹配的修正权重值，并为缺失特征参数的原始训练样本配置所述修正权重值，再依据配置修正权重值之后的原始训练样本以及不缺失特征参数的原始训练样本训练初始模型，得到目标模型，从而提高了所述目标模型的精准度。
[0078]
在本技术上述实施例公开的技术方案中，所述初始模型可以为xgboost(extreme gradient boosting)模型，xgboost模型是梯度提升算法树(gradient boosting descent tree，简称gbdt)的一种快速实现算法，主要用于解决分类和回归问题。它具有以下优点：1)除了支持cart树作为基分类器，还支持线性分类器；2)不仅用到了一阶导数信息，还用到的二阶导数信息，收敛速度更快；3)能处理带缺失值的样本，能自动学习缺失值分裂方向；4)支持自定义损失函数，更加灵活；5)支持样本采样和特征采样，增加随机性，避免模型过拟合；6)支持特征粒度级并行，训练速度更快；7)精度高。
[0079]
进一步的，在本技术上述实施例公开的技术方案中，在获取所述修正权重值时，可以基于所述原始训练模型缺失的特征参数在训练结果中所占的重要程度得到，即，参见图2，上述方法中，获取训练样本集合之后，获取训练样本集合中缺失特征参数的原始训练样本之前，还包括：
[0080]
步骤s201：采用所述原始训练样本集合对初始模型进行训练，得到修正模型；
[0081]
本步骤中，所述原始训练样本集为没有采用修正权重值修正的原始训练样本集合，采用所述原始训练样本集合对初始模型进行训练可得到一个模型，在这里将其记为修正模型，由所述修正模型可以直接得到所述原始训练样本集合中各个特征参数所占的重要程度，例如，该重要程度也可以直接采用所述修正模型中各个特征参数所对应的权重值的大小来体现，权重值越大，该特征参数所占的重要程度越大。
[0082]
再例如，当所述初始模型为xgboost模型时，所述xgboost模型能够根据整个建模过程中结点分裂前后的增益、使用次数或cover来计算得到原始训练样本中的每个特征参数的重要度。一般选择增益来计算特征参数的重要度。若一个特征参数使得总体样本增益变化值越大，则该特征参数对模型预测正确的帮助越大，特征参数越重要。一个结点分裂的增益值为左、右孩子结点的损失函数之和与父结点损失函数的差值，在计算每个特征参数所对应的增益gain时，采用如下公式进行计算：
[0083][0084][0085][0086]
其中，i∈i代表属于结点i上的所有样本。gi和hi分别代表目标函数在第i个特征参数上的一阶偏导取值和二阶偏导取值。λ是正则化系数。gl和gr分别代表左子结点和右子结点上样本的一阶导数和。hl和hr分别代表左子结点和右子结点上样本的一阶导数和。gain公式最后一项γ指定了结点分裂所需的最小损失函数下降值。
[0087]
步骤s202：依据所述修正模型得到所述原始训练样本中的各个特征参数的权重值或者各个特征参数的增益值；
[0088]
在本技术实施例公开的技术方案中，将所述各个特征参数的权重值或增益值作为评价所述特征参数的重要程度的评价指标，如果某个特征参数的权重值或者是增益值越大，则表明该特征参数对所述修正模型的影响越大，其重要程度越高，反之，表明该特征参数对所述修正模型的影响越小，其重要程度越低。
[0089]
当得到用于所述特征参数对应的权重值或者是增益以后，可以依据所述各个原始训练样本所缺失的特征参数的重要程度调整其在对模型训练的过程中所占的权值系数，其中，所述原始训练样本的权值系数用于表征其对所述初始模型的影响程度，如果所述原始训练样本未缺失特征参数，则其权重值默认为1，如果其缺失特征参数，则，依据其缺失的特征参数的重要程度降低其权值系数，以降低其在对初始模型进行训练时对模型的影响程度，具体的上述方法中所述获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值，包括：
[0090]
依据所述待修正训练样的权重值或增益值计算得到所述待修正训练样本的修正权重值，并未所述待修正训练样本配置所述修正权重值，例如，将所述修正权重值作为所述待修正训练样本的系数，其中，所述待修正训练样的权重值或增益值指的是，所述待修正训练样的本所缺失的各个特征参数所对应的权重值或增益值，例如，可以指的是。所缺失的各个特征参数所对应的权重值或增益值之和。
[0091]
具体的，在依据所述待修正训练样本所缺失的特征参数所对应的重要程度(权重值或增益值)计算得到所述待修正训练样本的修正权重值时，具体包括：
[0092]
依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值计算得到所述待修正训练样本的修正权重值wi；
[0093]
其中，所述{features＝null}为示性函数，所述s＝1代表第1个特征参数，若待修正训练样本的第s个特征参数为空(该特征参数缺失)，则{features＝null}的值为1，否则(该特征参数没有缺失){features＝null}的值为0；importances代表第s个特征参数的重要程度(重要程度可以以权重值或增益值来表示)；所述a为预设系数，a的取值为0或1，a的取值由用户在执行本方案之前预先选择，在本方案中，需要依据所述原始训练样本所有的缺失特征参数所对应的权重值或者是增益值计算得到所述待修正训练样本的修正权重值wi，因此，所述k指的是原始训练样本所包含的特征参数的总数量。
[0094]
考虑到依据所述原始训练样本所有的缺失特征参数所对应的权重值或者是增益值计算得到所述待修正训练样本的修正权重值，会导致应用本方法的装置产生巨大的运算量，对装置的要求较高，使得其成本较低，在本方案中，在综合考虑装置成本和输出的目标模型的精度的情况下，可以选择所述待修正训练样本所缺失的所有的也正参数中重要程度最高(权重值或增益值最大)的n个特征参数，计算得到该n个特征参数的权重值或增益值，依据所述n个特征参数的权重值或增益值计算得到所述待修正训练样本的修正权重值，其中，所述n的值可以用肘部法则对所述修正模型的结果进行分析得到，所述肘部法则通常用于聚类中确定最佳聚类个数n。肘部法则会把不同n值的成本函数值画出来。随着n值继续增大，成本函数值会不断减低。n值增大过程中，成本函数值下降幅度最大的位置所对应的n值就是肘部。具体的，上述方法中，所述依据所述修正模型得到所述原始训练样本中的各个特征参数的权重值或增益值之后，还包括：
[0095]
获取权重值或增益值最大的n个特征参数，即获取修正模型中权重值或增益值最
大的n个特征参数，所述n为大于1的正整数；
[0096]
获取训练样本集合中缺失特征参数的原始训练样本，记为待修正训练样本，包括：
[0097]
获取所述原始训练样本集合中缺少所述n个特征参数中的至少一个特征参数的原始训练样本，记为待修正训练样本，即，如果某个训练样本缺少上述n个特征参数中的任意一个或多个特征参数，则将其记为待修正训练样本，如果一个训练样本不缺少特征参数或者是缺少的特征参数不属于所述n个特征参数，则不将其作为待修正训练样本；
[0098]
依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值，包括：
[0099]
获取所述待修正训练样本所缺失的、且包括于所述n个特征参数之中的特征参数所对应的权重值或增益值；
[0100]
基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值。
[0101]
与上述实施例公开的方法相对应，所述基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值，包括：
[0102]
依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值wi；
[0103]
其中，所述{feature
t
＝null}为示性函数，所述t＝1代表所述n个特征参数之中的第1个特征参数，若待修正训练样本的、n个特征参数之中的第t个特征最大的特征参数为空，{feature
t
＝null}的值为1，否则{feature
t
＝null}的值为0；importance
t
代表n个特征参数之中的第t个特征参数的权重值或增益值；所述a为预设系数，a的取值范围为0或1。
[0104]
具体的，上述方法中在依据所述肘部法则确定所述n的值时，上述方法中在获取权重值或增益值最大的n个特征参数之前，还包括：
[0105]
采用肘部法则对所述修正模型中的各个特征参数的权重值或增益值进行处理得到的聚类个数n，该n即为上述“n个特征参数”中的n。
[0106]
与上述方法相对应，本技术还公开了一种模型训练装置，本实施例中所述模型训练装置的各个单元的具体工作内容，请参见上述方法实施例的内容所示，下面对本技术实施例提供的模型训练装置进行描述，下文描述的模型训练装置与上文描述的模型训练方法可相互对应参照。
[0107]
参见图3，所述模型训练装置，可以包括：
[0108]
样本采集单元100，与上述方法中步骤s101相对应，用于获取训练样本集合；
[0109]
样本修正单元200，与上述方法中步骤s102-s104相对应，用于获取训练样本集合中缺失特征参数的原始训练样本，记为待修正训练样本；获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值；为所述训练样本集合中的待修正训练样本配置所述修正权重值；
[0110]
训练单元300，与上述方法中步骤s105相对应，用于采用配置所述修正权重值后的训练样本集合对初始模型进行训练，得到目标模型。
[0111]
与上述方法相对应，所述样本修正单元200还用于：
[0112]
采用所述原始训练样本集合对初始模型进行训练，得到修正模型；
[0113]
依据所述修正模型得到所述原始训练样本中的各个特征参数的权重值或增益值；
[0114]
当所述样本修正单元200获取与所述待修正训练样本缺失的特征参数的相匹配的修正权重值或增益值时具体用于：
[0115]
依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值。
[0116]
与上述方法相对应，上述装置中，所述样本修正单元在依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值时，具体用于：
[0117]
依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值wi；
[0118]
其中，所述{features＝null}为示性函数，所述s＝1代表第1个特征参数，若待修正训练样本的第s个特征参数为空，{features＝null}的值为1，否则{features＝null}的值为0；importances代表第s个特征参数的权重值或增益值；所述a为预设系数，a的取值为0或1，所述k为原始训练样本所包含的特征参数的总数量。
[0119]
与上述方法相对应，所述样本修正单元200还用于：
[0120]
获取权重值或增益值最大的n个特征参数，所述n为大于1的正整数；
[0121]
所述样本修正单元在获取训练样本集合中缺失特征参数的原始训练样本时具体用于：
[0122]
获取所述原始训练样本集合中缺少所述n个特征参数中的至少一个特征参数的原始训练样本，记为待修正训练样本；
[0123]
所述样本修正单元在依据所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值时，具体用于：
[0124]
获取所述待修正训练样本所缺失的、且包括于所述n个特征参数之中的特征参数所对应的权重值或增益值；
[0125]
基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值。
[0126]
与上述方法相对应，所述样本修正单元在基于获取到的权重值或增益值计算得到所述待修正训练样本的修正权重值时，具体用于：
[0127]
依据公式计算得到所述待修正训练样本所缺失的特征参数所对应的权重值或增益值计算得到所述待修正训练样本的修正权重值wi；
[0128]
其中，所述{feature
t
＝null}为示性函数，所述t＝1代表第1个特征参数，若待修正训练样本的第t个特征最大的特征参数为空，{feature
t
＝null}的值为1，否则{feature
t
＝null}的值为0；importance
t
代表第t个特征参数的权重值或增益值；所述a为预设系数，a的取值范围为0或1。
[0129]
与上述方法相对应，所述样本修正单元200，还用于：
[0130]
采用肘部法则对各个特征参数的权重值或增益值进行处理得到的聚类个数n。
[0131]
对应于上述方法，本技术上述装置中还可以包括：模型评估单元，用于采用测试样本对所述目标模型进行测试，如果测试结果表明所述目标模型满足预设要求，则输出所述目标模型，否则，重新触发所述样本修正单元200。
[0132]
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0133]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0134]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0135]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0136]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0137]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明
将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。