基于多源异构的数据挖掘建模方法及系统技术方案

本公开涉及一种基于多源异构的数据挖掘建模方法及系统。本公开通过获取机器学习的相关算法，将所述机器学习的相关算法封装为多个算法组件，响应于用户对所述多个算法组件的第一操作，通过所述多个算法组件构建机器学习模型。由于将算法组件化，用户或者业务人员可以按需装配不同的组件，可以让机器学习模型的构建更加灵活，效率更加高效，也提高了算法的重用性。用户可以利用可视化的页面，使用拖拽的方式拖动组件，配置机器学习模型，使操作更加简单，用户只需要了解算法组件的基本功能，而不需要了解机器学习模型的技术细节，降低了用户的学习成本和构建机器学习模型的难度，从而降低了构建机器学习模型的开发门槛与成本。降低了构建机器学习模型的开发门槛与成本。降低了构建机器学习模型的开发门槛与成本。

【技术实现步骤摘要】
基于多源异构的数据挖掘建模方法及系统


[0001]本公开涉及计算机
，尤其涉及一种基于多源异构的数据挖掘建模方法及系统。

技术介绍

[0002]随着计算机技术的发展，当我们对数据进行挖掘分析时，机器学习算法的使用越来越多，适用的场景也更广。其中，利用机器学习建模是一种常用的对数据进行挖掘分析的方法。
[0003]机器学习是一个入门门槛相对比较高的
，大部分的工程技术人员和业务人员都聚焦在业务领域的特征提取、算法选择、参数调优和模型验证。
[0004]但是，机器学习建模过程复杂，不仅需要深入理解算法原理，而且需要对业务深入研究，导致传统的数据分析师无法快速胜任。并且在建模人员完成模型训练后，仍需要工程化团队协助完成模型的部署，导致建模整体成本高。

技术实现思路

[0005]为了解决上述技术问题，本公开提供了一种基于多源异构的数据挖掘建模方法及系统，以简化机器学习模型构建的操作，降低机器学习模型构建的成本。
[0006]第一方面，本公开实施例提供一种基于多源异构的数据挖掘建模方法，包括：
[0007]获取机器学习的相关算法；
[0008]将所述机器学习的相关算法封装为多个算法组件；
[0009]响应于用户对所述多个算法组件的第一操作，通过所述多个算法组件构建机器学习模型。
[0010]第二方面，本公开实施例提供一种基于多源异构的数据挖掘建模装置，包括：
[0011]第一获取模块，用于获取机器学习的相关算法；
[0012]封装模块，用于将所述机器学习的相关算法封装为多个算法组件；
[0013]构建模块，用于响应于用户对所述多个算法组件的第一操作，通过所述多个算法组件构建机器学习模型。
[0014]第三方面，本公开实施例提供一种电子设备，包括：
[0015]存储器；
[0016]处理器；以及
[0017]计算机程序；
[0018]其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
[0019]第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。
[0020]第五方面，本公开实施例提供了一种基于多源异构的数据挖掘建模系统，该系统
包括至少一个计算装置和至少一个存储指令的存储装置，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如第一方面所述的方法。
[0021]第六方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上所述的基于多源异构的数据挖掘建模方法。
[0022]本公开实施例提供的基于多源异构的数据挖掘建模方法及系统，通过对所述机器学习的相关算法进行解耦处理，将处理后的算法封装为多个算法组件，所述多个算法组件包括如下至少一种：统计分析组件、分类组件、回归组件、聚类组件。将算法组件化操作，可以让机器学习模型的构建更加灵活，效率更加高效，也提高了算法的重复使用性。用户在构建机器学习模型时，只需要了解算法组件的基本功能，而不需要了解系统的技术细节，降低了用户的学习成本和构建机器学习模型的难度，从而降低了构建机器学习模型的开发门槛，简化了业务人员的操作，提高了工作效率，进而降低机器学习模型构建的成本。
附图说明
[0023]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0024]为了更清楚地说明本公开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，对于本领域普通技术人员而言，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。
[0025]图1为本公开实施例提供的基于多源异构的数据挖掘建模方法流程图；
[0026]图2为本公开实施例提供的一种应用场景的示意图；
[0027]图3为本公开实施例提供的一种用户界面的示意图；
[0028]图4为本公开实施例提供的一种用户界面的示意图；
[0029]图5为本公开另一实施例提供的基于多源异构的数据挖掘建模方法流程图；
[0030]图6为本公开实施例提供的基于多源异构的数据挖掘建模装置的结构示意图；
[0031]图7为本公开实施例提供的电子设备的结构示意图。
具体实施方式
[0032]为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
[0033]在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。基于所描述的本专利技术的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]随着计算机技术的发展，当我们对数据进行挖掘分析时，机器学习算法的使用越来越多，适用的场景也更广。其中，利用机器学习建模是一种常用的对数据进行挖掘分析的方法。
[0035]机器学习是一个入门门槛相对比较高的
，大部分的工程技术人员和业务人员都聚焦在业务领域的特征提取、算法选择、参数调优和模型验证。
[0036]但是，机器学习建模过程复杂，不仅需要深入理解算法原理，而且需要对业务深入研究，导致传统的数据分析师无法快速胜任。并且在建模人员完成模型训练后，仍需要工程化团队协助完成模型的部署，导致建模整体成本高。针对该问题，本公开实施例提供了一种基于多源异构的数据挖掘建模方法，下面结合具体的实施例对该方法进行介绍。
[0037]图1为本公开实施例提供的基于多源异构的数据挖掘建模方法流程图。该方法可以应用于图2所示的应用场景，该应用场景中包括服务器21和终端22，终端22具体可以是终端，例如，智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机、智能家居设备等。可以理解的是，本公开实施例提供的基于多源异构的数据挖掘建模方法还可以应用在其他场景中。
[0038]下面结合图2所示的应用场景，对图1所示的基于多源异构的数据挖掘建模方法进行介绍，该方法包括的具体步骤如下：
[0039]S101、获取机器学习的相关算法。
[0040]如图2所示的终端22从服务器21获取机器学习的相关算法，机器学习的相关算法可以是用户将写好的机器学习算法保存在服务器中的，也可以是通过浏览器查找到的机器学习算法。
[0041]S102、将所述机器学习的相关算法封装为多个算法组件。
[0042]可选的，终端可以依据算法各部分的功能不同，将复杂的算法拆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源异构的数据挖掘建模方法，其特征在于，包括：获取机器学习的相关算法；将所述机器学习的相关算法封装为多个算法组件；响应于用户对所述多个算法组件的第一操作，通过所述多个算法组件构建机器学习模型。2.根据权利要求1所述的方法，其特征在于，所述将所述机器学习的相关算法封装为多个算法组件，包括：对所述机器学习的相关算法进行解耦处理，将处理后的算法封装为多个算法组件。3.根据权利要求1所述的方法，其特征在于，所述多个算法组件包括如下至少一种：统计分析组件、分类组件、回归组件、聚类组件。4.根据权利要求1所述的方法，其特征在于，所述响应于用户对所述多个算法组件的第一操作，通过所述多个算法组件构建机器学习模型之前，所述方法还包括：响应于用户对目标数据源的第二操作，从目标数据源获取基础数据；将所述基础数据同步到机器学习模型的数据中，得到所述机器学习模型的原始数据；相应地，响应于用户对所述多个算法组件的第一操作，通过所述多个算法组件构建机器学习模型，包括：响应于用户对所述多个算法组件的第一操作，在所述机器学习模型的原始数据的基础上加载所述多个算法组件，对所述机器学习模型进行构建。5.根据权利要求1
‑
4任一所述的方法，其特征在于，所述通过所述多个算法组件构建机器学习模型之后，所述...

【专利技术属性】
技术研发人员：贾皓立，陈庆国，梁凯鹏，粟文，程吉辉，何一鸣，宋萍，
申请(专利权)人：北京银丰新融科技开发有限公司，
类型：发明
国别省市：