买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州数亮科技股份有限公司

摘要：本发明公开了一种基于机器学习的人工智能数据分析方法及系统，涉及数据分析技术领域，包括采集数据源中的数据并进行预处理，对预处理后的数据进行特征提取；构建多模态机器学习模型进行数据预测，预测类别的概率；实施数据加密，构建交互式数据可视化界面，存储收集和分析产生的人工智能数据。本发明通过采集数据源中的数据并进行预处理，对预处理后的数据进行特征提取，构建多模态机器学习模型进行数据预测，预测类别的概率，提升了模型的泛化能力和预测精度，不仅优化了数据的处理质量，而且提高了数据分析的准确性和效率。

主权项：1.基于机器学习的人工智能数据分析方法，其特征在于：包括，采集数据源中的数据并进行预处理，对预处理后的数据提取特征；构建多模态机器学习模型进行数据预测，预测类别的概率；实施数据加密，构建交互式数据可视化界面，存储收集和分析产生的人工智能数据；所述构建多模态机器学习模型进行数据预测，预测类别的概率指收集历史数据源中采集文本、图像和声音数据，对历史数据源数据进行清洗和标准化，将历史数据源的数据合并成数据集，生成历史数据源训练集；使用随机森林、支持向量机和梯度提升树分别作为基模型，对基模型进行参数调整，使用网格搜索确定最优参数，输入历史数据源训练集进行独立训练，使用交叉验证方法评估参数组合的效果，得到最优参数；将融合特征向量分别输入到训练好的基模型中进行预测，得到三个基模型的预测每个类别的概率、和；构建堆叠泛化模型架构，第一层为训练并保存基模型的预测结果，第二层使用多层感知机MLP作为元模型，定义元模型的输入为第一层内容，元模型的输出为最终预测每个类别的概率；多层感知机MLP模型公式为： ，其中为每个类别的概率，为第o个基模型的预测结果，为对应模型的权重，D为基模型的数量；基于历史基模型的预测结果和原始训练样本的实际标签，生成元模型训练集；使用元模型训练集中历史基模型的预测结果作为基模型特征，真实标签作为目标值，通过优化算法求解权重，使用元模型训练集训练多层感知机MLP模型，使得整体预测误差最小化，优化权重公式为： ，其中为真实标签的独热编码，为模型输入，D为基模型数量，T为基模型的数量；初始化权重向量w，计算预测误差，并更新权重，公式为： ，其中为对应模型的权重，为学习率，L为交叉熵损失函数，为损失函数关于权重的梯度；使用交叉熵损失函数L公式为： ，其中为多层感知机MLP模型对j类的预测概率，M为类别的总数；将基模型预测每个类别的概率、和输入到多层感知机MLP模型中，得到最终的每个类别的概率。

全文数据：

权利要求：

百度查询： 杭州数亮科技股份有限公司 基于机器学习的人工智能数据分析方法及系统