本发明涉及模型迭代,具体而言,涉及基于在线学习的模型迭代方法、装置、设备及介质。
背景技术:
1、目前在银行体系中,信贷模型的模型迭代都是人工进行,无论是大的模型迭代还是小的样本刷新,均涉及数据提取、特征加工、模型训练、模型上线等多个步骤,会耗费大量时间和人力。
技术实现思路
1、本发明的目的在于提供一种基于在线学习的模型迭代方法、装置、设备及介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
2、第一方面,本申请提供了一种基于在线学习的模型迭代方法,包括:
3、获取目标时间段内的所有用户的初始样本数据;
4、将所有初始样本数据进行筛选处理,获得多个目标样本数据;
5、将多个目标样本数据划分为多个训练样本数据和多个测试样本数据;
6、将多个训练样本数据带入原始模型进行训练,当预设的模型指标满足设定条件时,停止训练,获得初始模型,所述原始模型为基于所述目标时间段之前的样本数据训练得到的模型;
7、将多个测试样本数据带入所述初始模型进行测试,基于均方根误差公式计算输出结果与实际结果之间的差异,获得目标差异值;
8、当所述目标差异值小于第一设定阈值时,采用所述初始模型替代所述原始模型。
9、第二方面,本申请还提供了一种基于在线学习的模型迭代装置,包括:
10、第一获取单元,用于获取目标时间段内的所有用户的初始样本数据;
11、筛选处理单元,用于将所有初始样本数据进行筛选处理,获得多个目标样本数据;
12、第一划分单元,用于将多个目标样本数据划分为多个训练样本数据和多个测试样本数据;
13、第一训练单元,用于将多个训练样本数据带入原始模型进行训练,当预设的模型指标满足设定条件时,停止训练,获得初始模型,所述原始模型为基于所述目标时间段之前的样本数据训练得到的模型;
14、第一测试单元,用于将多个测试样本数据带入所述初始模型进行测试,基于均方根误差公式计算输出结果与实际结果之间的差异,获得目标差异值;
15、第一替代单元,用于当所述目标差异值小于第一设定阈值时,采用所述初始模型替代所述原始模型。
16、第三方面,本申请还提供了一种基于在线学习的模型迭代设备,包括:
17、存储器,用于存储计算机程序;
18、处理器,用于执行所述计算机程序时实现所述基于在线学习的模型迭代方法的步骤。
19、第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于基于在线学习的模型迭代方法的步骤。
20、本发明的有益效果为:
21、本发明通过及时更新数据样本,并基于更新的数据样本在原有模型的基础上再次进行训练,获得更适用于当前状况的预测模型,从而得到准确性较高的预测结果。
22、本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
1.一种基于在线学习的模型迭代方法,其特征在于,包括:
2.根据权利要求1所述的基于在线学习的模型迭代方法,其特征在于,将所有初始样本数据进行筛选处理,获得多个目标样本数据,包括:
3.根据权利要求1所述的基于在线学习的模型迭代方法,其特征在于,将多个训练样本数据带入原始模型进行训练,当预设的模型指标满足设定条件时,停止训练,获得初始模型,包括:
4.根据权利要求2所述的基于在线学习的模型迭代方法,其特征在于,将多个目标样本数据分别划分为多个训练样本数据和多个测试样本数据,包括:
5.根据权利要求1所述的基于在线学习的模型迭代方法,其特征在于,将多个测试样本数据带入所述初始模型进行测试,基于均方根误差公式计算输出结果与实际结果之间的差异,获得目标差异值,包括:
6.根据权利要求1所述的基于在线学习的模型迭代方法,其特征在于,所述当所述目标差异值小于第一设定阈值时,采用所述初始模型替代所述原始模型,包括:
7.一种基于在线学习的模型迭代装置,其特征在于,包括:
8.根据权利要求7所述的基于在线学习的模型迭代装置,其特征在于,所述筛选处理单元包括:
9.根据权利要求7所述的基于在线学习的模型迭代装置,其特征在于,所述第一训练单元包括:
10.根据权利要求7所述的基于在线学习的模型迭代装置,其特征在于,所述第一划分单元包括:
11.根据权利要求7所述的基于在线学习的模型迭代装置,其特征在于,所述第一测试单元包括:
12.根据权利要求7所述的基于在线学习的模型迭代装置,其特征在于,所述第一替代单元包括:
13.一种基于在线学习的模型迭代设备,其特征在于,包括:
14.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于在线学习的模型迭代方法的步骤。