一种模型预测方法及装置与流程

本发明涉及数据处理
技术领域：
，尤其涉及一种模型预测方法及装置。
背景技术：
：在数据处理
技术领域：
中，机器学习是一个非常热门的研究方向，通常来说，机器学习可以基于训练数据得到目标模型，并使用目标模型对待预测数据进行预测，从而得到待预测数据的预测结果。深度学习系统为一种常用的机器学习方法，具体地说，用户可以通过人工设计深度学习网络模型来构建深度学习系统，通过使用构建得到的深度学习网络模型对训练数据集进行训练，可以得到预测效果较好的目标模型。然而，人工设计深度学习网络模型通常是较为复杂的过程，若需要训练出预测效果较好的目标模型，可能需要用户学习多方面的知识，浪费人力和时间。为了解决上述问题，现有技术通常采用自动化机器学习方法来训练深度学习网络模型。具体地说，自动化机器学习方法通常依赖于现有的预设训练算法，基于该预设训练算法可以得到模型结构各不相同的多个随机模型，进而可以采用预设筛选规则从多个随机模型中筛选出一个最优模型，并基于用户输入的训练数据对最优模型进行训练，得到目标模型。采用该种方法，用户无需人工设计深度学习网络模型，即可以获取到目标模型。然而，在实际操作中，预设训练算法可能仅适用于一定的应用场合，而无法满足多个用户的需要；在一种可能的情况下，若训练数据较少，采用该种方式训练得到的目标模型通常会具有较差的预测效果。综上，目前亟需一种模型预测方法，用以提高模型的预测效果。技术实现要素：本发明实施例提供一种模型预测方法及装置，用以提高模型的预测效果。本发明实施例提供的一种模型预测方法，所述方法包括：获取待预测数据；使用多个目标模型对所述待预测数据进行预测，得到所述多个目标模型分别对应的预测结果；其中，第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，所述第一模型为初始模型或者基于所述初始模型得到的第n级子模型，n为大于或等于1的整数；所述第一目标模型为所述多个目标模型中的任一目标模型；根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果。可选地，所述第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，包括：当基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度小于预设阈值时，若所述第一模型对所述训练数据的预测精确度小于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一级子模型得到所述第一目标模型。可选地，所述方法还包括：当所述第一模型对所述训练数据的预测精确度大于预设阈值时，则确定所述第一模型为所述目标模型。可选地，所述方法还包括：若所述第一模型对所述训练数据的预测精确度大于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一模型得到所述第一目标模型。可选地，所述根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果，包括：若预测结果为第一预测结果的目标模型的个数大于预测结果为第二预测结果的目标模型的个数，则确定所述待预测数据的预测结果为所述第一预测结果；所述第二预测结果为所述多个目标模型分别对应的预测结果中除所述第一预测结果以外的预测结果。本发明实施例提供的一种模型预测装置，所述装置包括：获取模块，用于获取待预测数据；预测模块，用于使用多个目标模型对所述待预测数据进行预测，得到所述多个目标模型分别对应的预测结果；其中，第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，所述第一模型为初始模型或者基于所述初始模型得到的第n级子模型，n为大于或等于1的整数；所述第一目标模型为所述多个目标模型中的任一目标模型；确定模块，用于根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果。可选地，所述装置还包括训练模块，所述训练模块具体用于：当基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度小于预设阈值时，若所述第一模型对所述训练数据的预测精确度小于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一级子模型得到所述第一目标模型。可选地，所述训练模块还用于：当所述第一模型对所述训练数据的预测精确度大于预设阈值时，则确定所述第一模型为所述目标模型。可选地，所述训练模块还用于：若所述第一模型对所述训练数据的预测精确度大于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一模型得到所述第一目标模型。可选地，所述确定模块用于：若预测结果为第一预测结果的目标模型的个数大于预测结果为第二预测结果的目标模型的个数，则确定所述待预测数据的预测结果为所述第一预测结果；所述第二预测结果为所述多个目标模型分别对应的预测结果中除所述第一预测结果以外的预测结果。本发明的上述实施例中，获取多个目标模型，并使用多个目标模型对待预测数据进行预测，得到多个目标模型分别对应的预测结果，进而根据多个目标模型分别对应的预测结果，确定待预测数据的预测结果；其中，多个目标模型中的任一目标模型是根据第一模型对训练数据的预测精确度和基于第一模型得到的第一级子模型对训练数据的预测精确度得到的，第一模型可以为初始模型或者基于初始模型得到的第n级子模型。本发明实施例基于多个目标模型分别对应的预测结果确定待预测数据的预测结果，相比于现有技术采用一个目标模型对应的预测结果确定待预测数据的预测结果的方式来说，可以避免一个目标模型的模型结构问题所导致的预测效果较差的技术问题，从而提高模型的预测效果；且，通过分析第一模型和基于第一模型得到的第一级子模型分别对训练数据的预测精确度，可以选取精确度较高的模型执行后续的训练过程，从而使得训练得到的目标模型更加准确；也就是说，本发明实施例中的模型预测方法可以适用于多种应用场合，且用户的体验较好。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种模型预测方法对应的流程示意图；图2为本发明实施例提供的一种得到第一目标模型的方法对应的流程示意图；图3为本发明实施例中提供的一种基于初始模型得到的四个第一级子模型的结构示意图；图4为本发明实施例提供的一种模型预测方法示意图；图5为本发明实施例提供的一种模型预测装置的结构示意图。具体实施方式为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。本发明实施例中，模型预测方法的具体实现过程可以包括模型训练的过程(训练阶段)和使用训练得到的多个目标模型对待预测数据进行预测的过程(预测阶段)，或者还可以包括其他的过程，具体不作限定。图1为本发明实施例提供的一种模型预测方法对应的流程示意图，该方法包括：步骤101，获取待预测数据。本发明实施例中，待预测数据可以包括一种类型的数据，或者也可以包括多种类型的数据。若待预测数据包括一种类型的数据，则待预测数据可以为图像数据(视频和/或图片)，或者也可以为文本数据(比如，用户的数据、日志数据、销售记录等)，或者还可以为音频数据；若待预测数据包括多种类型的数据，则待预测数据可以为图像数据、文本数据、音频数据的任意组合，具体不作限定。示例性地，在一种可能的应用场景中，待预测数据可以为互联网营销商提供的用户的数据，用户的数据可以包括用户的性别、血型、身高、体重等特征信息。通过采用本发明实施例中的模型预测方法，可以在对待预测数据进行预测后，确定待预测数据是否为对营销商营销的产品感兴趣的用户。在另一种可能的应用场景中，待预测数据可以为网络平台上的日志数据，通过采用本发明实施例中的模型预测方法，可以在对待预测数据进行预测后，确定待预测数据是否为具有敏感信息的日志。步骤102，使用多个目标模型对待预测数据进行预测，得到多个目标模型分别对应的预测结果。本发明实施例中，获取待预测数据后，可以使用多个目标模型分别对待预测数据进行预测，得到多个目标模型分别对应的预测信息，进而根据多个目标模型分别对应的预测信息确定多个目标模型分别对应的预测结果。在一种可能的实现方式(为便于描述，简称为实现方式1)，目标模型对应的预测信息可以为预测分值，以目标模型为二分类模型为例，预测结果可以包括第一标签(比如白样本)和第二标签(比如黑样本)，若目标模型对待预测数据预测的预测分值大于或等于第二预设阈值，则可以确定目标模型对应的预测结果为第一标签；相应地，若目标模型对待预测数据预测的预测分值小于第二预设阈值，则可以确定目标模型对应的预测结果为第二标签。在另一种可能的实现方式(为便于描述，简称为实现方式1)中，目标模型对应的预测信息可以为待预测数据对应的预测超平面分布信息。具体地说，可以预先设置预测超平面，针对于每一个目标模型，可以使用该目标模型将待预测数据映射至预测超平面的一侧，进而根据待预测数据所在的位置确定该目标模型对应的预测结果。比如，若目标模型将待预测数据映射至预测超平面的一侧，则可以确定目标模型对应的预测结果为第一标签；若目标模型将待预测数据映射至预测超平面的另一侧，则可以确定目标模型对应的预测结果为第二标签。需要说明的是，实现方式1和实现方式2仅为示例性描述得到目标模型对应的预测结果的方式，在其它可能的实现方式中，也可以采用其它方式确定目标模型对应的预测结果，具体不作限定。步骤103，根据多个目标模型分别对应的预测结果，确定待预测数据的预测结果。具体实施中，在确定多个目标模型分别对应的预测结果后，可以统计多个预测结果所属的种类和数量，若预测结果为第一预测结果的目标模型的个数大于预测结果为第二预测结果的目标模型的个数，则可以确定待预测数据的预测结果为第一预测结果；第二预测结果可以为多个目标模型分别对应的预测结果中除第一预测结果以外的任一预测结果。举例来说明，表1为一种多个模型分别对应的预测结果的示意。表1：一种多个模型分别对应的预测结果的示意模型预测结果第一目标模型第一标签第二目标模型第二标签第三目标模型第二标签第四目标模型第一标签第五目标模型第二标签如表1所示，第二目标模型、第三目标模型和第五目标模型对应的预测结果均为第二标签，第一目标模型和第四目标模型对应的预测结果为第一标签，则可以确定预测结果包括第一标签和第二标签。其中，预测结果为第一标签的目标模型的数量为两个，预测结果为第二标签的目标模型的数量为三个，因此，可以确定第二标签为第一预测结果，第一标签为第二预测结果，且待预测数据对应的预测结果为第二标签。本发明的上述实施例采用基于多个目标模型分别对应的预测结果确定待预测数据的预测结果，相比于现有技术采用一个目标模型对应的预测结果确定待预测数据的预测结果的方式来说，可以避免一个目标模型的模型结构问题所导致的预测效果较差的技术问题，从而提高模型的预测效果；也就是说，本发明实施例中的模型预测方法可以适用于多种应用场合，且用户的体验较好。本发明实施例中，多个目标模型可以为根据现有技术中的方式训练得到的，或者也可以由本领域技术人员根据实际情况训练得到的，具体不作限定。在一种优选的方式中，第一目标模型可以是根据第一模型对训练数据的预测精确度和基于第一模型得到的第一级子模型对训练数据的预测精确度得到的，第一模型可以为初始模型或者基于初始模型得到的第n级子模型。其中，第一目标模型可以为多个目标模型中的任一目标模型。下面具体描述根据第一模型得到第一目标模型的过程，除第一目标模型以外的目标模型的生成过程可以参照第一目标模型的生成过程进行实现。需要说明的是，多个目标模型中的任一目标模型可以为基于同一个第一模型生成的，也就是说，若存在n个目标模型，则n个目标模型中的每个目标模型均可以基于同一个第一模型进行生成。图2为本发明实施例提供的一种得到第一目标模型的方法对应的流程示意图，该方法包括：步骤201，基于第一模型得到第一模型的多个第一级子模型，使用贝叶斯评分函数从多个第一级子模型中筛选得到最优第一级子模型。此处，第一模型可以为初始模型，或者也可以为基于初始模型得到的第n级子模型。以第一模型是初始模型为例，初始模型可以为基于自动化机器学习方法得到的一个随机模型，比如，用户可以通过触发自动化机器学习系统的随机生成指令，控制自动化机器学习系统随机组合模型的结构，得到随机模型。模型的结构可以包括模型中设置的多种网络层的数量、多种网络层的排列顺序、卷积核的数量以及卷积核的数值等。其中，多种网络层可以包括卷积层、池化层、激活层等，或者也可以包括其它网络层，具体不作限定。具体实施中，根据初始模型得到初始模型的多个第一级子模型的方式可以有多种，在一种可能的实现方式中，初始模型的多个第一级子模型可以为基于初始模型的结构随机生成的。比如，初始模型的多个第一级子模型可以为在初始模型的基础上增加至少一个网络层得到的，或者也可以为在初始模型的基础上调整增加的至少一个网络层的排列顺序得到的，或者也可以为在初始模型的基础上调整增加的至少一个网络层的卷积核的数量得到的，或者也可以为在初始模型的基础上调整增加的至少一个网络层的卷积核的数值得到的，或者还可以为采用上述的任意组合得到的，具体不做限定。举例来说明，图3为基于初始模型得到的四个第一级子模型的结构示意图，如图3所示，初始模型300包括依次设置的一个卷积层、一个池化层和一个激活层，初始模型300的卷积核的数量为a1，卷积核的大小为b1。根据图3所示，第一级子模型301和第一级子模型303的卷积核的数量和卷积核的大小均与初始模型300相同，且第一级子模型301包括两个卷积层、一个激活层和一个池化层，第一级子模型303包括依次设置的一个卷积层、两个激活层、一个池化层，则第一级子模型301和第一级子模型303可以为在初始模型300的基础上增加网络层得到的。相应地，第一级子模型302和第一级子模型304均包括一个卷积层、一个激活层和一个池化层，且第一级子模型302的卷积核的数量为a2，则第一级子模型302可以为在初始模型300的基础上调整增加的至少一个网络层的卷积核的数量得到的；第一级子模型304的卷积核的大小为b2，则第一级子模型304可以为在初始模型300的基础上调整增加的至少一个网络层的卷积核的数值得到的。需要说明的是，模型所包括的多个网络层的连接顺序可以有多种可能，比如，可以按照图3所示意的方式依次连接多个网络层，或者也可以随机连接多个网络层，具体不做限定。如图3所示，第一级子模型301可以包括四个网络层，第一层和第四层均为卷积层，第二层为池化层，第三层为激活层。在一个示例中，第一子模型301可以为卷积层、池化层、激活层和卷积层依次连接构成的；在另一个示例中，第一子模型301也可以为卷积层、激活层、池化层、卷积层和激活层连接构成的。本发明实施例中，在得到初始模型的四个第一级子模型后，可以使用预设评分规则对第一级子模型301～第一级子模型304分别进行评分，得到第一级子模型301～第一级子模型304的分值，进而选择分值最大的第一级子模型作为最优第一级子模型。具体实施中，预设评分规则可以由本领域技术人员根据实际情况进行设置，或者也可以通过实验进行确定，具体不作限定。优选地，可以采用贝叶斯评分函数作为预设评分规则。具体地说，贝叶斯评分函数可以对模型的结构进行评分，若模型的结构越好，则通过贝叶斯评分函数确定的模型的评分越高；相应地，若模型的结构越差，则通过贝叶斯评分函数确定的模型的评分越低。在一个示例中，贝叶斯评分函数中可以包括评分参数，在实际使用中，采用贝叶斯评分函数对模型进行评分后，可以基于模型的预测精确度对贝叶斯评分函数的评分参数进行更新，以使贝叶斯评分函数的评分效果更好。具体实施中，可以使用初始贝叶斯评分函数对初始模型的多个第一级子模型进行评分，初始贝叶斯评分函数中的评分参数可以由本领域技术人员根据经验进行设置，或者也可以根据实际情况进行设置，具体不作限定。进一步地，采用初始贝叶斯评分函数分别对第一级子模型301～第一级子模型304进行评分后，若确定评分最大的子模型为第一级子模型302，则可以将第一级子模型302作为初始模型的最优第一级子模型。步骤201具体描述了得到初始模型的第一级子模型的实现过程，本发明实施例中，若第一模型为初始模型的第一级子模型，则第一模型可以为初始模型的第一级子模型301～第一级子模型304中的任意一个。优选地，第一模型可以为初始模型的最优第一级子模型302。也就是说，若第一模型为初始模型的第n级子模型，则第一模型可以为初始模型的第n-1级子模型的第一级子模型。举例来说明，若n＝2，则可以采用步骤201中的方法得到最优第一级子模型302的四个第一级子模型311～第一级子模型314，其中，最优第一级子模型302的四个第一级子模型311～第一级子模型314即为初始模型的四个第二级子模型311～第二级子模型314；相应地，第一模型可以为初始模型的四个第二级子模型311～第二级子模型314中的任意一个，或者也可以为初始模型的最优第二级子模型312。进一步地，可以采用步骤201中的方法获取第一模型的最优第一级子模型。步骤202，基于训练数据确定最优第一级子模型的预测精确度。此处，训练数据可以为用户提供的，或者也可以为预先通过多种方式(比如互联网、问卷调查等)获取的，具体不做限定。本发明实施例中，可以预先将训练数据划分为第一数据和第二数据，第一数据可以用于训练模型，第二数据可以用于对训练得到的模型进行验证，确定训练得到的模型的效果。具体地说，对训练数据划分的方式可以有多种，比如，可以按照预设比例将训练数据划分为第一数据和第二数据。举例来说，训练数据包括1000条图像数据，若预设比例为8:2，则可以将1000条图像数据中的800条图像数据作为第一数据，将1000条图像数据中除800条图像数据以外的200条图像数据作为第二数据。具体实施中，可以在模型训练系统中加载最优第一级子模型后，将第一数据输入模型训练系统，使得模型训练系统使用第一数据对最优第一级子模型进行模型训练，得到训练后的模型。进一步地，可以使用训练后的模型对第二数据进行预测，通过统计第二数据中预测结果和真实结果匹配的数据的数量，确定最优第一级子模型的预测精确度。步骤203，将最优第一级子模型对训练数据的预测精确度与第一预设阈值进行对比。此处，第一预设阈值可以由本领域技术人员根据经验进行设置，或者也可以根据实验确定，具体不作限定。具体实施中，若最优第一级子模型对训练数据的预测精确度大于或等于第一预设阈值，则可以执行步骤204a；若最优第一级子模型对训练数据的预测精确度小于第一预设阈值，则可以执行步骤204b。步骤204a，确定最优第一级子模型为第一目标模型。此处，若最优第一级子模型对训练数据的预测精确度大于或等于第一预设阈值，则可以说明最优第一级子模型的预测效果较好，此时，可以将最优第一级子模型作为第一目标模型。步骤204b，将最优第一级子模型对训练数据的预测精确度与第一模型对训练数据的预测精确度进行对比。本发明实施例中，若最优第一级子模型对训练数据的预测精确度小于第一预设阈值，则可以说明最优第一级子模型的预测效果不能满足预设要求，此时，可以将第一模型对训练数据的预测精确度和最优第一级子模型对训练数据的预测精确度进行对比，并根据对比的结果对第一模型进行更新，进而根据更新后的第一模型得到第一目标模型。具体实施中，可以使用第一数据(比如，800条图像数据)分别对第一模型和最优第一级子模型进行训练，并使用训练后的第一模型和训练后的最优第一级子模型分别对第二数据(比如，200条图像数据)进行预测，确定第一模型对第二数据的预测精确度和最优第一级子模型对第二数据的预测精确度。若最优第一级子模型对第二数据的预测精确度大于第一模型对第二数据的预测精确度，则可以执行步骤205a，若第一模型对第二数据的预测精确度大于最优第一级子模型对第二数据的预测精确度，则可以执行步骤205b。举例来说，使用最优第一级子模型对200条图像数据进行预测后，确定150条图像信息的预测结果与真实结果相同，50条图像信息的预测结果与真实结果不同；使用第一模型对200条图像数据进行预测后，确定100条图像信息的预测结果与真实结果相同，100条图像信息的预测结果与真实结果不同，则可以确定最优第一子模型的预测精确度大于第一模型的预测结果精确度，此时可以执行步骤205a。在一种可能的实现方式中，在确定最优第一级子模型对训练数据的预测精确度小于第一预设阈值后，可以根据最优第一级子模型的模型结构和最优第一级子模型对训练数据的预测精确度对贝叶斯评分函数的评分参数进行更新，得到更新后的贝叶斯评分函数，更新后的贝叶斯评分函数可以用于后续的模型评分过程，此处不做描述。步骤205a，确定最优第一级子模型为更新后的第一模型，并执行步骤201。本发明实施例中，若最优第一级子模型对第二数据的预测精确度大于第一模型对第二数据的预测精确度，则可以将最优第一级子模型作为更新后的第一模型，并使用更新后的第一模型重复执行步骤201～步骤204，直至得到对训练数据的预测精确度大于或等于第一预设阈值的第一目标模型。比如，若确定最优第一级子模型302为更新后的第一模型，则可以根据步骤201得到最优第一级子模型302的第一级子模型311～第一级子模型314(即初始模型的多个第二级子模型)，进而使用更新后的贝叶斯评分函数对第一级子模型311～第一级子模型314进行评分，得到最优第一级子模型(比如第一级子模型312)，进而根据第一级子模型312对训练数据的预测精确度和最优第一级子模型302对训练数据的预测精确度，得到第一目标模型。步骤205b，确定第一模型为更新后的第一模型，并执行步骤201。此处，若第一模型对第二数据的预测精确度大于最优第一级子模型对第二数据的预测精确度，则可以将第一模型作为更新后的第一模型，并使用更新后的第一模型重复执行步骤201～步骤204，直至得到对训练数据的预测精确度大于或等于第一预设阈值的第一目标模型。比如，若确定第一模型为更新后的第一模型，则可以将第一级子模型301～第一级子模型304抛弃，重新使用第一模型执行步骤201，得到第一模型的第一级子模型305～第一级子模型308(随机确定的，与第一级子模型301～第一级子模型304可以相同，或者也可以不同，不做限定)；进一步地，可以使用更新后的贝叶斯评分函数对第一级子模型305～第一级子模型308进行评分，得到最优第一级子模型(比如第一级子模型307)，并可以根据第一级子模型307对训练数据的预测精确度和第一模型对训练数据的预测精确度，得到第一目标模型。需要说明的是，步骤203仅为本发明实施例中提供的一种确定循环结束的条件示例，具体实施中，确定循环结束的条件可以由本领域技术人员根据实际情况进行设置，具体不作限定。在另一个示例中，也可以预先设置第二预设阈值，并记录循环执行的次数，若循环执行的次数大于或等于第二预设阈值，则可以确定循环结束，此时，可以确定循环结束时的最优第一级子模型为第一目标模型。图4为本发明实施例中提供的一种模型预测方法示意图，如图4所示，该模型预测方法可以包括训练阶段和预测阶段。其中，通过训练阶段可以得到多个目标模型，每个目标模型的训练过程可以参照步骤201～步骤204中的方式进行实现；进一步地，通过预测阶段可以确定待预测数据的预测结果，对待预测数据的预测过程可以参照步骤101～步骤103中的方式进行实现。针对上述方法流程，本发明实施例还提供一种模型预测装置，该装置的具体内容可以参照上述方法实施。图5为本发明实施例提供的一种模型预测装置的结构示意图，包括：获取模块501，用于获取待预测数据；预测模块502，用于使用所述多个目标模型对所述待预测数据进行预测，得到所述多个目标模型分别对应的预测结果；其中，第一目标模型是根据第一模型对训练数据的预测精确度和基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度得到的，所述第一模型为初始模型或者基于所述初始模型得到的第n级子模型，n为大于或等于1的整数；所述第一目标模型为所述多个目标模型中的任一目标模型；确定模块503，用于根据所述多个目标模型分别对应的预测结果，确定所述待预测数据的预测结果。可选地，所述装置还包括训练模块504，所述训练模块504具体用于：当基于所述第一模型得到的第一级子模型对所述训练数据的预测精确度小于预设阈值时，若所述第一模型对所述训练数据的预测精确度小于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一级子模型得到所述第一目标模型。可选地，所述训练模块504还用于：当所述第一模型对所述训练数据的预测精确度大于预设阈值时，则确定所述第一模型为所述目标模型。可选地，所述训练模块504还用于：若所述第一模型对所述训练数据的预测精确度大于所述第一级子模型对所述训练数据的预测精确度，则根据所述第一模型得到所述第一目标模型。可选地，所述确定模块503用于：若预测结果为第一预测结果的目标模型的个数大于预测结果为第二预测结果的目标模型的个数，则确定所述待预测数据的预测结果为所述第一预测结果；所述第二预测结果为所述多个目标模型分别对应的预测结果中除所述第一预测结果以外的预测结果。从上述内容可以看出：本发明的上述实施例中，获取多个目标模型，并使用多个目标模型对待预测数据进行预测，得到多个目标模型分别对应的预测结果，进而根据多个目标模型分别对应的预测结果，确定待预测数据的预测结果；其中，多个目标模型中的任一目标模型是根据第一模型对训练数据的预测精确度和基于第一模型得到的第一级子模型对训练数据的预测精确度得到的，第一模型可以为初始模型或者基于初始模型得到的第n级子模型。本发明实施例基于多个目标模型分别对应的预测结果确定待预测数据的预测结果，相比于现有技术采用一个目标模型对应的预测结果确定待预测数据的预测结果的方式来说，可以避免一个目标模型的模型结构问题所导致的预测效果较差的技术问题，从而提高模型的预测效果；且，通过分析第一模型和基于第一模型得到的第一级子模型分别对训练数据的预测精确度，可以选取精确度较高的模型执行后续的训练过程，从而使得训练得到的目标模型更加准确；也就是说，本发明实施例中的模型预测方法可以适用于多种应用场合，且用户的体验较好。本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页12