CN107194430-CN201710393571-一种样本筛选方法及装置,电子设备.pdfVIP

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 107194430 A (43)申请公布日 2017.09.22 (21)申请号 201710393571.X (22)申请日 2017.05.27 (71)申请人 北京三快在线科技有限公司 地址 100083 北京市海淀区北四环西路9号 2106-030 (72)发明人 张钦　 (74)专利代理机构 北京润泽恒知识产权代理有 限公司 11319 代理人 莎日娜 (51)Int.Cl. G06K 9/62(2006.01) 权利要求书2页 说明书7页 附图2页 (54)发明名称 一种样本筛选方法及装置，电子设备 (57)摘要 本申请提供了一种样本筛选方法，属于计算 机技术领域，用于解决现有技术中存在的筛选样 本准确性较低的问题。本申请实施例公开的样本 筛选方法包括：基于样本特征对所有样本进行聚 类，并根据聚类结果确定备选样本所在簇的样本 混乱程度度量指标，进一步根据所述样本混乱程 度度量指标确定相应簇的样本选取比例，以训练 模型。通过对所有备选样本基于预设维度特征进 行聚类，并根据聚类得到的每个簇中的样本分布 混乱程度确定在各个簇中选择的备选样本比例， 提高了样本筛选的准确性。 A 0 3 4 4 9 1 7 0 1 N C CN 107194430 A 权　利　要　求　书 1/2页 1.一种样本筛选方法，其特征在于，包括： 基于样本特征对所有样本进行聚类； 根据聚类结果确定备选样本所在簇的样本混乱程度度量指标； 根据所述样本混乱程度度量指标确定相应簇的样本选取比例。 2.根据权利要求1所述的方法，其特征在于，所述根据所述样本混乱程度度量指标确定 相应簇的样本选取比例的步骤包括： 根据所述样本混乱程度度量指标的单调递减函数确定相应簇的样本选取比例。 3.根据权利要求1或2所述的方法，其特征在于，所述样本混乱程度度量指标包括某一 簇中所有样本的信息熵。 4.根据权利要求2所述的方法，其特征在于，所述样本混乱程度度量指标的单调递减函 数为： 其中，Psample为当前簇内正样本和负样本的抽样比例；Entrop为样本混乱程度度量指 标；A为样本的直接抽样比例；C为样本混乱程度度量指标参考点，根据各备选样本所在簇的 样本混乱程度度量指标确定。 5.根据权利要求1所述的方法，其特征在于，所述根据聚类结果确定备选样本所在簇的 样本混乱程度度量指标的步骤之前，还包括： 确定样本容量大于簇样本容量阈值的至少一个簇为备选样本所在簇。 6.根据权利要求5所述的方法，其特征在于，根据各簇样本容量的中位值，或，各簇样本 容量的平均值确定所述簇样本容量阈值。 7.一种样本筛选装置，其特征在于，包括： 样本聚类模块，用于基于样本特征对所有样本进行聚类； 混乱程度度量指标确定模块，用于根据所述样本聚类模块的聚类结果确定备选样本所 在簇的样本混乱程度度量指标； 样本比例确定模块，用于根据所述混乱程度度量指标确定模块确定的样本混乱程度度 量指标确定相应簇的样本选取比例。 8.根据权利要求7所述的装置，其特征在于，所述样本比例确定模块具体用于： 根据所述样本混乱程度度量指标的单调递减函数确定相应簇的样本选取比例。 9.根据权利要求7或8所述的装置，其特征在于，所述样本混乱程度度量指标包括某一 簇中所有样本的信息熵。 10.根据权利要求8所述的装置，其特征在于，所述样本混乱程度度量指标