对象预测方法、装置、设备、及介质与流程

本公开实施例涉及机器学习技术领域，具体涉及一种对象预测方法、装置、电子设备、及存储介质。

背景技术：

在云计算与大数据时代，机器学习在各行业发挥着越来越重要的作用。如何通过机器学习模型有效挖掘出数据中的信息并为决策提供支持，已成为一个必然的研究热点。

近年来比较流行对多种模型进行模型融合，旨在综合多个不同机器学习模型的优势以改进模型预测性能，如何实现自动化的模型融合成为一个亟待解决的问题。

技术实现要素：

有鉴于此，本公开实施例提供一种对象预测方法、装置、电子设备、及存储介质，能够自适应地确定多个待融合模型对应的模型融合的权重比以进行预测，能够提升机器学习的预测性能。

本公开实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开实施例的实践而习得。

第一方面，本公开实施例提供了一种对象预测方法，包括：

确定目标对象的特征；

基于多个待融合模型，分别根据所述目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果；

其中，各待融合模型的评估权重通过如下方式确定：

基于训练集和评价指标对多个算法模型进行训练并调参得到所述多个待融合模型；

基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重。

于一实施例中，所述评价指标通过如下方式确定：

根据机器学习的目标业务场景的任务目标信息，确定用于评价机器学习模型的所述评价指标。

于一实施例中，所述机器学习的目标业务场景为监督学习中的分类问题场景，所述用于评价机器学习模型的评价指标包括精确率、召回率、准确率、以及roc曲线下的面积auc其中之一。

于一实施例中，所述机器学习的目标业务场景为监督学习中的回归问题场景，所述用于评价机器学习模型的评价指标包括负均方误差、负平均绝对误差、负均方根误差以及决定系数其中之一。

于一实施例中，基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估包括：

基于验证集和所述评价指标，采用交叉验证算法分别对所述多个待融合模型进行模型评估。

于一实施例中，所述多个算法模型为n个算法模型，所述方法还包括：

将样本集拆分成n份样本子集，对所述n个算法模型，分别选择n-1份样本子集作为训练集，将剩余的一份样本子集作为验证集；

其中n为大于1的整数。

于一实施例中，根据评估结果分别得到所述多个待融合模型的评估权重包括，根据评估结果分别得到所述多个待融合模型的评估分数，根据如下公式分别计算各待融合模型的评估权重：

wi＝log(1+si)/(1-si)；

其中wi为第i个待融合模型的评估权重，i为大于0的整数；

si为第i个待融合模型的评估分数。

于一实施例中，所述对象预测方法用于预测沉船上的乘客是否存活；

所述评价指标包括准确率；

所述目标对象的特征至少包括乘客的姓名、年龄、性别、所有船舱等级、上船的码头、终点码头、以及职业其中之一。

第二方面，本公开实施例还提供了一种对象预测装置，包括：

特征确定单元，用于确定目标对象的特征；

结果预测单元，用于基于多个待融合模型，分别根据所述目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果；

其中，各待融合模型的评估权重通过如下单元确定：

待融合模型训练单元，用于基于训练集和评价指标对多个算法模型进行训练并调参得到所述多个待融合模型；

评估权重获取单元，用于基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重。

于一实施例中，所述装置还包括评价指标确定单元，用于根据机器学习的目标业务场景的任务目标信息，确定用于评价机器学习模型的所述评价指标。

于一实施例中，所述机器学习的目标业务场景为监督学习中的分类问题场景，所述用于评价机器学习模型的评价指标包括精确率、召回率、准确率、以及roc曲线下的面积auc其中之一。

于一实施例中，所述机器学习的目标业务场景为监督学习中的回归问题场景，所述用于评价机器学习模型的评价指标包括负均方误差、负平均绝对误差、负均方根误差以及决定系数其中之一。

于一实施例中，所述评估权重获取单元用于：基于验证集和所述评价指标，采用交叉验证算法分别对所述多个待融合模型进行模型评估。

于一实施例中，所述多个算法模型为n个算法模型，所述装置还包括样本集拆分单元，用于将样本集拆分成n份样本子集，对所述n个算法模型，分别选择n-1份样本子集作为训练集，将剩余的一份样本子集作为验证集，其中n为大于1的整数。

于一实施例中，所述评估权重获取单元用于，根据评估结果分别得到所述多个待融合模型的评估分数，根据如下公式分别计算各待融合模型的评估权重：

wi＝log(1+si)/(1-si)；

其中wi为第i个待融合模型的评估权重，i为大于0的整数；

si为第i个待融合模型的评估分数。

于一实施例中，所述对象预测装置用于预测沉船上的乘客是否存活；

所述评价指标包括准确率；

所述目标对象的特征至少包括乘客的姓名、年龄、性别、所有船舱等级、上船的码头、终点码头、以及职业其中之一。

第三方面，本公开实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一项所述方法的指令。

第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。

本公开实施例的技术方案基于多个待融合模型，分别根据目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果，能够自适应地确定多个待融合模型对应的模型融合的权重比以进行预测，能够提升机器学习的预测性能。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本公开实施例中的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本公开实施例的内容和这些附图获得其他的附图。

图1是本公开实施例提供的一种对象预测方法的流程示意图；

图2是本公开实施例提供的一种对象预测方法中确定各待融合模型的评估权重的方法的流程示意图；

图3是本公开实施例提供的另一种对象预测方法的示意图；

图4是本公开实施例提供的另一种对象预测方法中的数据拆分示意图；

图5是本公开实施例提供的一种对象预测装置的结构示意图；

图6是本公开实施例提供的另一种对象预测装置的结构示意图；

图7示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本公开实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本公开实施例中的一部分实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开实施例保护的范围。

需要说明的是，本公开实施例中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指”包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。

还需要说明是，本公开实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本公开实施例对此不作具体限制。

下面结合附图并通过具体实施方式来进一步说明本公开实施例的技术方案。

图1示出了本公开实施例提供的一种对象预测方法的流程示意图，本实施例可适用于训练多个机器学习模型进行模型融合，以确定目标对象的预测结果的情况，该方法可以由配置于计算机中的对象预测装置来执行，如图1所示，本实施例所述的对象预测方法包括：

在步骤s110中，确定目标对象的特征。

例如，所述对象预测方法用于预测沉船上的乘客是否存活，所述评价指标包括准确率，所述目标对象的特征至少包括乘客的姓名、年龄、性别、所有船舱等级、上船的码头、终点码头、以及职业其中之一。

在步骤s120中，基于多个待融合模型，分别根据所述目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果。

其中，各待融合模型的评估权重通过如下方式确定：

基于训练集和评价指标对多个算法模型进行训练并调参得到所述多个待融合模型；

基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重。

其中，所述评价指标用于评价机器学习模型。该评价指标可根据机器学习的目标业务场景的任务目标信息来确定。

所述待融合模型可以是k最近邻算法模型、支持向量机算法svm模型、逻辑回归算法模型、朴素贝叶斯算法模型、决策树算法模型、随机森林算法模型、迭代决策树gbdt算法模型、极端梯度提升算法xgboost模型、轻量级梯度提升算法lightgbm模型以及其他机器学习算法模型中的一种或一种以上。

所述评价指标例如，监督学习中的分类问题场景，所述用于评价机器学习模型的评价指标可为精确率、召回率、准确率、以及roc曲线下的面积auc其中之一。

又如，对于监督学习中的回归问题场景，所述用于评价机器学习模型的评价指标可为负均方误差、负平均绝对误差、负均方根误差以及决定系数其中之一。

为了充分利用样本集，以及为了使所述多个算法模型的区别更大，可利用交叉验证法的思路将样本集拆分成多份。例如所述多个算法模型为n(大于1的整数)个算法模型，可进行如下操作为各算法模型确定训练集和验证集：将样本集拆分成n份样本子集，对所述n个算法模型，分别选择n-1份样本子集作为训练集，将剩余的一份样本子集作为验证集。

根据评估结果分别得到所述多个待融合模型的评估权重的方式可包括多种，例如可根据评估结果及预设的自适应权重生成函数分别得到所述多个待融合模型的评估权重，如分别得到所述多个待融合模型的评估分数，根据如下公式分别计算各待融合模型的评估权重：

wi＝log(1+si)/(1-si)；

其中wi为第i个待融合模型的评估权重，i为大于0的整数；

si为第i个待融合模型的评估分数。

需要说明的是，本实施例所述对象预测方法可用于很多方面，一般的分类问题和回归问题均可采用本实施例所述的对象预测方法进行预测。例如可用于预测沉船上的乘客是否存活，其中所述评价指标包括准确率，所述目标对象的特征至少包括乘客的姓名、年龄、性别、所有船舱等级、上船的码头、终点码头、以及职业其中之一，可采用本实施例所述的对象预测方法预测沉船上的乘客是否存活。

本公开实施例的技术方案基于多个待融合模型，分别根据目标对象的特征进行结果预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果，能够自适应地确定多个待融合模型对应的模型融合的权重比以进行预测，能够提升机器学习的预测性能。

图2示出了本公开实施例提供的一种对象预测方法中确定各待融合模型的评估权重的方法的流程示意图，本实施例以前述实施例为基础，进行了改进优化。如图2所示，本实施例所述的确定各待融合模型的评估权重的方法包括：

在步骤s210中，基于训练集和评价指标对多个算法模型进行训练并调参得到所述多个待融合模型。

其中，可根据机器学习的目标业务场景的任务目标信息，确定用于评价机器学习模型的所述评价指标。

例如，若所述机器学习的目标业务场景为监督学习中的分类问题场景，所述用于评价机器学习模型的评价指标包括精确率、召回率、准确率、以及roc曲线下的面积auc其中之一。

又如，若所述机器学习的目标业务场景为监督学习中的回归问题场景，所述用于评价机器学习模型的评价指标包括负均方误差、负平均绝对误差、负均方根误差以及决定系数其中之一。

在步骤s220中，基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重。

其中，基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估包括多种方式，例如：抵抗测试、交叉验证等。

例如基于验证集和所述评价指标，采用交叉验证算法分别对所述多个待融合模型进行模型评估。

进一步地，假设所述多个算法模型为n个算法模型，对于本实施例中用于训练算法模型的训练集和用于评估算法模型的验证集，可通过如下方式组织：

将样本集拆分成n份样本子集，对所述n个算法模型，分别选择n-1份样本子集作为训练集，将剩余的一份样本子集作为验证集，其中n为大于1的整数。

进一步地，根据评估结果分别得到所述多个待融合模型的评估权重包括，根据评估结果分别得到所述多个待融合模型的评估分数，根据如下公式分别计算各待融合模型的评估权重：

wi＝log(1+si)/(1-si)；

其中wi为第i个待融合模型的评估权重，i为大于0的整数；

si为第i个待融合模型的评估分数。

需要说明的是，本实施例所述确定各待融合模型的评估权重的方法可用于实施例一所述的对象预测方法，包括：

确定目标对象的特征；

基于多个待融合模型，分别根据所述目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果；

其中，各待融合模型的评估权重通过本公开实施例所述的方式确定。

本公开实施例的技术方案通过基于训练集和评价指标对多个算法模型进行训练并调参得到多个待融合模型，基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重，以根据各待融合模型的预测结果和评估权重进行对象预测，能够自适应地确定多个待融合模型对应的模型融合的权重比以进行预测，能够提升机器学习的预测性能。

图3是本公开实施例提供的另一种对象预测方法的示意图，例如对于一个分类场景的问题，若选择精确率作为评价指标，首先需要对原始数据集进行预处理，接着提取有效特征，然后根据图4所示的方法拆分数据集。确定要融合的模型集合，例如待融合模型集合为[knn算法模型,svm算法模型,xgboost算法模型]。接着分别用对应的数据集训练各待融合模型，并对各待融合模型进行优化；在验证集上评估优化后的各待融合模型，得到各待融合模型在验证集上的精确率。然后利用自适应权重生成函数将精确率转化为各待融合模型对应的权重值。最后多个待融合模型在待预测数据集上预测分类概率值，并将概率结果加权，获得最终的综合的预测结果。

如图3所示，本实施例所述的对象预测方法包括：通过步骤3010获取原始数据集，执行步骤3020进行数据预处理,再执行步骤3030拆分数据集,得到各模型对应的训练集3050和各模型对应的验证集3070。

图4是本公开实施例提供的一种示例性的拆分数据集得到各模型对应的训练集3050和各模型对应的验证集3070的示意图。

如图4所示，在本公开实施例的对象预测方法实现中，还可进一步对训练数据集进行充分有效利用。假设要对n(n为大于1的整数)个模型进行融合，首先需要利用交叉验证法的思路将生成各模型对应的训练集与验证集。如图4所示，数据集首先拆分为n份，每个模型在训练的时候选择其中n-1份数据集作为其训练数据集，剩余的一份数据作为后续模型评估的验证集。各模型的训练集有区别，这样既可以充分利用数据集，也可以使得各算法模型具有区别性，对后续融合结果很有效。数据集拆分步骤也在图3中体现。

初始模型集合3040，通过各算法模型对应的训练集3050进行训练，到已优化后的待融合模型集合3060，再通过各模型对应的验证集3070进行模型评估，获得各待融合模型评估分值3080，根据自适应权重生成函数3100分别得到所述多个待融合模型的评估权重，将待预测目标对象3090根据已优化后的待融合模型集合3060进行预测，根据预测结果和自适应权重生成函数3100得到的多个待融合模型的评估权重，进行多模型结果加权融合确定预测结果3110，即可得到所述待预测目标对象3090的预测结果。

本公开实施例可适用于监督学习中任何评价指标任务下的任务，并根据模型集和评价指标自适应地生成模型融合的权重值，简单方便。不仅能结合多模型的优势提升机器学习的预测性能，而且模型融合过程无需人工介入，有效提升效率。另外，本公开实施例进一步利用交叉验证法的思路对原始数据集进行拆分，既可以充分利用数据集，也可以使得各算法模型具有区别性，有助于得到效果很好的融合结果。

图5示出了本公开实施例提供的一种对象预测装置的结构示意图，如图5所示，本实施例所述的对象预测装置包括特征确定单元510、结果预测单元520、待融合模型训练单元530和评估权重获取单元540。

所述特征确定单元510被配置为，用于确定目标对象的特征。

所述结果预测单元520被配置为，用于基于多个待融合模型，分别根据所述目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果。

其中，各待融合模型的评估权重通过待融合模型训练单元530和评估权重获取单元540确定。

所述待融合模型训练单元530被配置为，用于基于训练集和评价指标对多个算法模型进行训练并调参得到所述多个待融合模型。

所述评估权重获取单元540被配置为，用于基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重。

进一步地，所述评估权重获取单元540被配置为，用于基于验证集和所述评价指标，采用交叉验证算法分别对所述多个待融合模型进行模型评估。

进一步地，所述多个算法模型为n个算法模型，所述装置还包括样本集拆分单元(图中未示出)，用于将样本集拆分成n份样本子集，对所述n个算法模型，分别选择n-1份样本子集作为训练集，将剩余的一份样本子集作为验证集，其中n为大于1的整数。

进一步地，所述评估权重获取单元540被配置为，用于根据评估结果分别得到所述多个待融合模型的评估分数，根据如下公式分别计算各待融合模型的评估权重：

wi＝log(1+si)/(1-si)；

其中wi为第i个待融合模型的评估权重，i为大于0的整数；

si为第i个待融合模型的评估分数。

进一步地，本实施例所述对象预测装置可用于分类问题或回归问题的机器学习对象预测，例如可用于预测沉船上的乘客是否存活，所述评价指标包括准确率；所述目标对象的特征至少包括乘客的姓名、年龄、性别、所有船舱等级、上船的码头、终点码头、以及职业其中之一。

本实施例提供的对象预测装置可执行本公开实施例方法实施例所提供的对象预测方法，具备执行方法相应的功能模块和有益效果。

图6示出了本公开实施例提供的另一种对象预测装置的结构示意图，如图6所示，本实施例所述的对象预测装置包括特征确定单元610、结果预测单元620、待融合模型训练单元630、评估权重获取单元640、评价指标确定单元650和样本集拆分单元660。

所述特征确定单元610被配置为，用于确定目标对象的特征。

所述结果预测单元620被配置为，用于基于多个待融合模型，分别根据所述目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果。

其中，各待融合模型的评估权重通过待融合模型训练单元630和评估权重获取单元640确定，其中：

所述待融合模型训练单元630被配置为，用于基于训练集和评价指标对多个算法模型进行训练并调参得到所述多个待融合模型；

所述评估权重获取单元640被配置为，用于基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重。

所述评价指标确定单元650被配置为，用于根据机器学习的目标业务场景的任务目标信息，确定用于评价机器学习模型的所述评价指标。

进一步地，所述机器学习的目标业务场景为监督学习中的分类问题场景，所述用于评价机器学习模型的评价指标包括精确率、召回率、准确率、以及roc曲线下的面积auc其中之一。

进一步地，所述机器学习的目标业务场景为监督学习中的回归问题场景，所述用于评价机器学习模型的评价指标包括负均方误差、负平均绝对误差、负均方根误差以及决定系数其中之一。

进一步地，所述评估权重获取单元640被配置为，用于基于验证集和所述评价指标，采用交叉验证算法分别对所述多个待融合模型进行模型评估。

进一步地，所述多个算法模型为n个算法模型，所述装置还包括样本集拆分单元660，所述样本集拆分单元660被配置为，用于将样本集拆分成n份样本子集，对所述n个算法模型，分别选择n-1份样本子集作为训练集，将剩余的一份样本子集作为验证集。

进一步地，所述评估权重获取单元640被配置为，用于根据评估结果分别得到所述多个待融合模型的评估分数，根据如下公式分别计算各待融合模型的评估权重：

wi＝log(1+si)/(1-si)；

其中wi为第i个待融合模型的评估权重，i为大于0的整数；

si为第i个待融合模型的评估分数。

本实施例提供的对象预测装置可执行本公开实施例方法实施例所提供的对象预测方法，具备执行方法相应的功能模块和有益效果。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开实施例的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开实施例的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

确定目标对象的特征；

基于多个待融合模型，分别根据所述目标对象的特征进行预测，并根据各待融合模型的预测结果和评估权重确定所述目标对象的预测结果；

其中，各待融合模型的评估权重通过如下方式确定：

基于训练集和评价指标对多个算法模型进行训练并调参得到所述多个待融合模型；

基于验证集和所述评价指标分别对所述多个待融合模型进行模型评估，根据评估结果分别得到所述多个待融合模型的评估权重。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开实施例各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

以上描述仅为本公开实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。