【技术实现步骤摘要】
本专利技术属于大数据分析，尤其涉及一种基于量子贝叶斯结合模型评估的网络模型优化方法和系统。
技术介绍
1、随着云计算、人工智能时代的到来，新的计算架构拐点出现，从主机生态到开放架构x86生态再到云计算生态，信息技术发展的每个阶段都有处于引领和主导地位的生态，而生态的完善和壮大也推动着算力的发展和提升。目前预测模型训练后需要进入模型评估和调优阶段，但在人工智能应用实际的开发过程中，虽然预测模型的精度非常重要，但是模型评估还要考虑其他指标的评估，包括性能、可解释性等需要做很多平衡。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于量子贝叶斯结合模型评估的网络模型优化方法和系统。
2、第一方面，本专利技术提供一种基于量子贝叶斯结合模型评估的网络模型优化方法，包括：
3、对网络模型各指标之间有耦合关系部分训练数据进行定位；
4、采用量子贝叶斯网络对网络模型各指标之间有耦合关系部分训练数据进行预测，以完成数据聚合并生成矩阵集合；
5、分别对矩阵集合中训练数据的聚合情况进行评分；
6、将训练数据按照评分依次进行分析，以完成训练数据的分类；
7、根据训练数据的分类结果进行精度调整，以优化网络模型。
8、进一步地，所述对网络模型各指标之间有耦合关系部分训练数据进行定位，包括：
9、获取多个与目标未分类训练数据距离最近的未分类训练数据，以作为第一训练数据集合；
10、将第一训练数
11、将目标未分类训练数据确定为多类第二训练数据集合中，训练数据最多的集合对应的类别。
12、进一步地，所述将目标未分类训练数据确定为多类第二训练数据集合中，训练数据最多的集合对应的类别，包括：
13、构建目标未分类训练数据类别表达式：
14、
15、其中，cj为第j类训练数据的类别；k为与目标未分类训练数据x距离最近的未分类训练数据的总数；wi为第i个与目标未分类训练数据距离最近的未分类训练数据xi的权重；wi＝1/d(x,xi)2；d(x,xi)为x和xi的距离；η(·)为计数函数；如果xi∈cj，则η(x)＝1；如果则η(x)＝0。
16、进一步地，所述根据训练数据的分类结果进行精度调整，以优化网络模型，包括：
17、根据以下公式计算分类结果的准确率acc：
18、
19、其中，tp为表示真阳性；fp为假阳性；fn为假阴性；tn为真阴性；
20、根据以下公式计算分类结果的错误率err：
21、err＝1-acc；
22、根据以下公式计算分类结果的精确率p：
23、
24、根据以下公式计算分类结果的召回率r：
25、
26、根据以下公式计算f1分值：
27、
28、第二方面，本专利技术提供一种基于量子贝叶斯结合模型评估的网络模型优化系统，包括：
29、数据定位模块，用于对网络模型各指标之间有耦合关系部分训练数据进行定位；
30、数据预测模块，用于采用量子贝叶斯网络对网络模型各指标之间有耦合关系部分训练数据进行预测，以完成数据聚合并生成矩阵集合；
31、聚合情况评分模块，用于分别对矩阵集合中训练数据的聚合情况进行评分；
32、数据分类模块，用于将训练数据按照评分依次进行分析，以完成训练数据的分类；
33、精度调整模块，用于根据训练数据的分类结果进行精度调整，以优化网络模型。
34、进一步地，所述数据定位模块包括：
35、获取单元，用于获取多个与目标未分类训练数据距离最近的未分类训练数据，以作为第一训练数据集合；
36、分类单元，用于将第一训练数据集合中的训练数据划分为多类，得到多类第二训练数据集合；
37、类别确定单元，用于将目标未分类训练数据确定为多类第二训练数据集合中，训练数据最多的集合对应的类别。
38、进一步地，所述类别确定单元包括：
39、构建装置，用于构建目标未分类训练数据类别表达式：
40、
41、其中，cj为第j类训练数据的类别；k为与目标未分类训练数据x距离最近的未分类训练数据的总数；wi为第i个与目标未分类训练数据距离最近的未分类训练数据xi的权重；wi＝1/d(x,xi)2；d(x,xi)为x和xi的距离；η(·)为计数函数；如果xi∈cj，则η(x)＝1；如果则η(x)＝0。
42、进一步地，所述精度调整模块包括：
43、第一计算单元，用于根据以下公式计算分类结果的准确率acc：
44、
45、其中，tp为表示真阳性；fp为假阳性；fn为假阴性；tn为真阴性；
46、第二计算单元，用于根据以下公式计算分类结果的错误率err：
47、err＝1-acc；
48、第三计算单元，用于根据以下公式计算分类结果的精确率p：
49、
50、第四计算单元，用于根据以下公式计算分类结果的召回率r：
51、
52、第五计算单元，用于根据以下公式计算f1分值：
53、
54、第三方面，本专利技术提供一种计算机设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现第一方面所述的基于量子贝叶斯结合模型评估的网络模型优化方法的步骤。
55、第四方面，本专利技术提供一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现第一方面所述的基于量子贝叶斯结合模型评估的网络模型优化方法的步骤。
56、本专利技术提供一种基于量子贝叶斯结合模型评估的网络模型优化方法和系统，其中方法将训练数据放入k最近邻分类算法对各指标之间有耦合关系部分数据进行精确定位；同时采用量子贝叶斯网络对各指标之间有耦合关系部分数据进行精确预测，从而完成二次数据聚合并生成矩阵集合；分别对数据聚合情况进行评分，最高评分数据维度做为优先分析。最后，完成数据的精准分类后再从对模型进行精度评估，在不同的应用场景中，精度的要求是有侧重的；主要从准确率、错误率、精确率和召回率四方面评估，从而通过对模型训练数据精准分类和模型评估完成模型调优。
本文档来自技高网...【技术保护点】
1.一种基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，包括：
2.根据权利要求1所述的基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，所述对网络模型各指标之间有耦合关系部分训练数据进行定位，包括：
3.根据权利要求2所述的基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，所述将目标未分类训练数据确定为多类第二训练数据集合中，训练数据最多的集合对应的类别，包括：
4.根据权利要求1所述的基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，所述根据训练数据的分类结果进行精度调整，以优化网络模型，包括：
5.一种基于量子贝叶斯结合模型评估的网络模型优化系统，其特征在于，包括：
6.根据权利要求5所述的基于量子贝叶斯结合模型评估的网络模型优化系统，其特征在于，所述数据定位模块包括：
7.根据权利要求6所述的基于量子贝叶斯结合模型评估的网络模型优化系统，其特征在于，所述类别确定单元包括：
8.根据权利要求5所述的基于量子贝叶斯结合模型评估的网络模型优化系统，其特征在于，所
9.一种计算机设备，其特征在于，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现权利要求1-4任一项所述的基于量子贝叶斯结合模型评估的网络模型优化方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；计算机程序被处理器执行时实现权利要求1-4任一项所述的基于量子贝叶斯结合模型评估的网络模型优化方法的步骤。
...【技术特征摘要】
1.一种基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，包括：
2.根据权利要求1所述的基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，所述对网络模型各指标之间有耦合关系部分训练数据进行定位，包括：
3.根据权利要求2所述的基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，所述将目标未分类训练数据确定为多类第二训练数据集合中，训练数据最多的集合对应的类别，包括：
4.根据权利要求1所述的基于量子贝叶斯结合模型评估的网络模型优化方法，其特征在于，所述根据训练数据的分类结果进行精度调整，以优化网络模型，包括：
5.一种基于量子贝叶斯结合模型评估的网络模型优化系统，其特征在于，包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：张远，胡升跃，郭秋生，王欣，王猛，窦慧娟，朱国召，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。