【技术实现步骤摘要】
本申请涉及计算机，具体而言，涉及一种机器学习评价模型创建及机器学习评价方法、装置。
技术介绍
1、随着机器学习的快速发展，越来越多的机器学习应用于生活、生产等各个领域。在机器学习领域，评价是关键的一环，它涉及到如何量化模型的性能，确保所开发的算法在实际应用中具有可靠性和有效性。因而，需要在针对不同的机器学习开发相应的评价模型。
2、但是，由于机器学习的种类众多，如果对每个机器学习都单独设计相应的评价模型，会使得机器学习相应的评价模型占用较多的空间资源。
技术实现思路
1、有鉴于此，本申请实施例的目的在于提供一种机器学习评价模型创建及机器学习评价方法、装置，能够减少评价模型占用的空间资源。
2、第一方面，本申请实施例提供了一种机器学习评价模型创建方法，应用于联邦平台，包括：将所述联邦平台中的所述机器学习按照任务类型划分为一个或多个母类，以及一个或多个子类；其中，每个母类下包括一个或多个子类；按照所述母类与所述子类，以及所述子类与所述子类的相对关系建立树结构框架；其中，所述母类为所述树结构框架的母节点，所述子类为所述树结构框架的子节点；在所述母节点存储所述母节点中各个所述机器学习的第一通用计算函数和/或第一通用指标函数；在所述子节点存储所述子节点中机器学习的第二通用计算函数、第二通用指标函数、子节点独有计算函数以及子节点独有指标函数中的一种或多种函数；根据所述树结构框架、所述母节点存储的函数以及所述子节点存储的函数生成树结构模型；所述树结构模型配置为通过调度所述
3、在上述实现过程中，通过根据各个机器学习的任务类型建立树结构框架，并基于各种任务类型的机器学习在进行评价时，需要的指标函数和计算函数异同，将相应的指标函数和计算函数存储在相应的子节点和母节点，以形成树结构模型，通过该树结构模型实现对多个机器学习进行评价。由于该树结构模型中，将各个机器学习进行评价时，通用的指标函数和计算函数存储在母节点或上级子节点，可以减少通用指标函数和计算函数因重复存储占用的空间资源，节约多个机器学习的评价模型占用的空间资源，也同时提高了执行相关评价模型的计算机硬件系统的执行效率。另外，由于将各个机器学习进行评价时的通用指标函数和计算函数仅需要在母节点或上级子节点中存储，可以减少通用代码的重复编写，实现代码的复用，降低开发人员的工作量。
4、在一个实施例中，所述在所述母节点存储所述母节点中各个所述机器学习的第一通用指标函数，包括：确定所述母节点中大部分机器学习进行评价过程中对应的相同指标函数为第一通用指标函数；将所述第一通用指标函数存储在所述母节点。
5、在上述实现过程中，在创建母节点时，将母节点对应下级子节点中大部机器学习进行评价需要的第一通用指标函数存储在母节点。在进行机器评价时，母节点各下级子节点直接调用母节点中的第一通用指标函数即可，不需要再在各下级子节点中重复存储第一通用指标函数，减少第一通用指标函数存储占用的空间资源。另外，开发人员只需要在母节点中编写该第一通用指标函数，可以减少第一通用指标函数的重复编写，实现第一通用指标函数代码的复用，降低开发人员的工作量。
6、在一个实施例中，其中，所述第一通用计算函数包括通用计算预测序列函数和通用计算损失值函数；所述在所述母节点存储所述母节点中各个所述机器学习的第一通用计算函数，包括：确定所述母节点中大部分机器学习进行评价过程中对应的计算预测序列函数为通用计算预测序列函数；以及确定所述母节点中大部分机器学习进行评价过程中对应的计算损失值函数为通用计算损失值函数；其中，所述计算预测序列函数根据机器学习对应的任务类型确定，所述计算损失值函数根据指定的损失函数确定；将所述通用计算预测序列函数和所述通用计算损失值函数存储在所述母节点。
7、在上述实现过程中，根据不同任务类型，将相应的通用计算损失值函数和通用计算预测序列函数存储在相应任务类型的对应的母节点上，可以减少通用计算预测序列函数和通用计算损失值函数存储占用的空间资源。另外，开发人员只需要在母节点中编写相应的通用计算预测序列函数和通用计算损失值函数，可以减少通用计算预测序列函数和通用计算损失值函数的重复编写，实现通用计算预测序列函数和通用计算损失值函数代码的复用，降低开发人员的工作量。
8、在一个实施例中，所述在所述子节点存储所述子节点中机器学习的第二通用计算函数、第二通用指标函数、子节点独有计算函数以及子节点独有指标函数中的一种或多种函数，包括：若判定所述子节点中的机器学习进行评价过程中对应的计算预测序列函数不是所述子节点所在母节点中定义的所述通用计算预测序列函数，则将所述子节点中的机器学习对应的计算预测序列函数存储在所述子节点；若判定所述子节点中的机器学习进行评价过程中对应的计算损失值函数不是所述子节点所在母节点中定义的所述通用计算损失值函数，则将所述子节点中的机器学习对应的计算损失值函数存储在所述子节点。
9、在上述实现过程中，在创建子节点时，在确定各个子节点所在的母节点中定义的通用计算预测序列函数和通用计算损失值函数是否与各个子节点相应的计算预测序列函数和计算损失值函数不一致时，则将该子节点中的机器学习进行评价过程中对应的计算损失值函数和计算预测序列函数存储在该子节点中，以保证各个子节点对应任务类型的机器学习在进行评价时的完整性，提高该树结构模型对各种机器学习评价的准确性。
10、在一个实施例中，其中，所述子节点独有指标函数包括第一独有指标函数，所述子节点独有计算函数包括第一独有计算函数；所述在所述子节点存储所述子节点中机器学习的第二通用计算函数、第二通用指标函数、子节点独有计算函数以及子节点独有指标函数中的一种或多种函数，包括：判断所述子节点中机器学习进行评价过程中是否存在所述第一独有指标函数和所述第一独有计算函数；其中，所述第一独有指标函数为所述子节点中机器学习进行评价过程中除所述子节点所在母节点中的所述第一通用指标函数之外的指标函数，所述第一独有计算函数为所述子节点中机器学习进行评价过程中除所述子节点所在母节点中的所述第一通用计算函数之外的所述独有计算函数；若判定所述子节点中机器学习进行评价过程中存在所述第一独有指标函数和/或所述第一独有计算函数，则将所述第一独有指标函数和/或所述第一独有计算函数存储在所述子节点。
11、在上述实现过程中，在创建子节点时，若确定子节点中存在第一独有指标函数和/或第一独有计算函数，则将第一独有指标函数和/或第一独有计算函数存储在子节点，以保证各个子节点对应任务类型的机器学习在进行评价时的完整性，提高该树结构模型对各种机器学习评价的准确性。
12、在一个实施例中，其中，所述子节点独有指标函数包括第二独有指标函数，所述子节点独有计算函数包括第二独有计算函数；所述子节点包括第一子节点和第二子本文档来自技高网...
【技术保护点】
1.一种机器学习评价模型创建方法，其特征在于，应用于联邦平台，包括：
2.根据权利要求1所述的方法，其特征在于，所述在所述母节点存储所述母节点中各个所述机器学习的第一通用指标函数，包括：
3.根据权利要求1所述的方法，其特征在于，其中，所述第一通用计算函数包括通用计算预测序列函数和通用计算损失值函数；
4.根据权利要求3所述的方法，其特征在于，所述在所述子节点存储所述子节点中机器学习的第二通用计算函数、第二通用指标函数、子节点独有计算函数以及子节点独有指标函数中的一种或多种函数，包括：
5.根据权利要求1－4任意一项所述的方法，其特征在于，其中，所述子节点独有指标函数包括第一独有指标函数，所述子节点独有计算函数包括第一独有计算函数；
6.根据权利要求1－4任意一项所述的方法，其特征在于，其中，所述子节点独有指标函数包括第二独有指标函数，所述子节点独有计算函数包括第二独有计算函数；所述子节点包括第一子节点和第二子节点，所述第二子节点为所述第一子节点的分支节点；
7.根据权利要求1－4任意一项所述的方法，其特征在
8.一种机器学习评价方法，其特征在于，应用于权利要求1－7任意一项所述的机器学习评价模型，所述方法包括：
9.一种机器学习评价模型创建装置，其特征在于，应用于联邦平台，包括：
10.一种机器学习评价装置，其特征在于，应用于权利要求1－7任意一项所述的机器学习评价模型，所述装置包括：
...【技术特征摘要】
1.一种机器学习评价模型创建方法，其特征在于，应用于联邦平台，包括：
2.根据权利要求1所述的方法，其特征在于，所述在所述母节点存储所述母节点中各个所述机器学习的第一通用指标函数，包括：
3.根据权利要求1所述的方法，其特征在于，其中，所述第一通用计算函数包括通用计算预测序列函数和通用计算损失值函数；
4.根据权利要求3所述的方法，其特征在于，所述在所述子节点存储所述子节点中机器学习的第二通用计算函数、第二通用指标函数、子节点独有计算函数以及子节点独有指标函数中的一种或多种函数，包括：
5.根据权利要求1－4任意一项所述的方法，其特征在于，其中，所述子节点独有指标函数包括第一独有指标函数，所述子节点独有计算函数包括第一独有计算函数；
6....
【专利技术属性】
技术研发人员：王德健，王慧东，董科雄，
申请(专利权)人：杭州医康慧联科技股份有限公司，
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。