一种支持多源数据的自动化监督性学习方法

摘要

本发明公开了一种支持多源数据的自动化监督性学习方法，包括：(1)数据预处理；(2)特征工程；(3)模型与调节超参；(4)贝叶斯管道优化。本发明方法将传统的数据分析流程自动化，从根本上改进了手动调节机器学习管道的流程，在超参调节和管道优化的高耦合度上，使得系统在监督性学习算法上的扩展性大大提高，并且创新性的提出了使用遗传算法作为机器学习管道的超级参数的调节，大大提高了自动化调节参数的时效；此外，本发明采用贝叶斯优化器对管道算法组合的优化也大大解决了组合空间爆炸的问题，最终结果上提高了自动化监督性学习方法的准确性和时效性。