交互式學習技術下的多元化業務建模框架分析

譚期文 陸冰芳

[摘 要]本文以多元化業務建模框架體系為研究對象，對其在交互式學習技術條件下的應用模式進行分析。通過對通用機器學習算法的簡述，說明機器學習中數據標準化與歸一化的處理方案，在實現機器學習數據驅重的同時，提高數據清洗與治理能力。同時，在系統化的訓練模式細化說明中，分步驟對其實施方案進行介紹，為相關技術內容開發與研究提供參考材料。

[關鍵詞]多元化業務;交互學習技術;數據挖掘

doi：10.3969/j.issn.1673 - 0194.2020.02.026

[中圖分類號]TP391.1;TP18[文獻標識碼]A[文章編號]1673-0194（2020）02-00-02

0? ? ?引 言

現代社會市場體系下，企業的產業發展布局不斷推進，并在持續深化的發展過程中，形成了系列性的深度分析。尤其在多元化業務內容上，需要建立起開放性的模型框架，并在交互式學習的內容中，不斷推進技術應用開發，并通過系列化的技術手段，形成信息技術體系的應用升級。尤其在實際處理中，應在軟件系統與應用程序的建設中，將通用機器學習算法作為引導，保證學習的有效性，不斷對整體多元化業務建模形成積極影響。

1? ? ?通用機器學習算法簡述

機器學習系統中，形成了分類、聚類、關聯分析、深度學習4種細化分類條件。其中，在分類條件下，會將物體或抽象對象的集合進行分類處理，并在形成基本訓練樣本數據的同時，形成多樣化的數據標簽。由此，可在組織問題處理方法的過程中，保證其形式的多樣化。而在應用內容上，也可以采用決策樹、貝葉斯、人工神經網絡、K-近鄰等激活手段，完成數據資料的分類分析，并在一定邏輯關系的引導下，保證自身數據分析的有效性。而在聚類分析中，主要通過數據深度挖掘，在對集合組進行整理的同時，處理未知內容的應用條件。在聚類數據處理中，還可將同一簇對象的相似性內容做出定位，并在不同簇間對象的差異性分析中，整理出深入性數據的指示內容。尤其在獨立工具獲取的條件下，可在保證集合步驟分析的同時，保證其他算法的預處理條件。而對于關聯分析，則相對較為簡單，通過對大量數據關聯性狀態的判斷，可對其展開應用條件下的描述分析，并以此定位相應數值的應用狀態。另外，在深度學習的內容上，需要建立起新的技術領域，并在開發模擬人腦學習神經網絡的同時，使其參照人腦的運算模式，完成數據分析，以此保證自身對數據內容的處理效果，實現數據的效率化使用。

2? ? ?機器學習中的數據標準化與歸一化

2.1? ?標準化

標準化技術條件中，模型中的數據信息轉化為標準正態分布數值，并形成公式。

式中：xi為輸入向量x的第i個特征;ui為xi的平均數值;δi為特征量標準差。由此，形成Z-score標準化。在進行變量標準化調整后，50%的觀察值低于0，而另一半則在0以上，形成了整體均值狀態為0，標準差數值危機的數據體系。如果在這一數據中，特征狀態的分布系數有大量0值存在，則表現出這一標準化數值的不可控狀態。在技術分析中發現，經過標準化處理后，xi以不帶綱的狀態存在，消除了不同特征向量狀態下量綱差異導致的不合理因素，完成了數據資料的標準化調整。而在大數據定理的條件下，將一定數量的樣本量，作為正態分布進行分析，可以在網絡模型搭建過程中，保證數據的敏感性，并維護數據訓練基本條件。

2.2? ?歸一化

歸一化的技術處理中，主要目標是確定某種存在的映射關系，并將源數據數值映射到[a，b]區間中，通常情況下，會將a取值設為[-1，1]，將b取值設置為[0，1]。而歸一化處理的方法上，可以針對性進行區分，在劃分不同歸一化條件的同時，提高歸一化處理的針對性，如下所示。

①Mean-max歸一化處理，可直接映射到[-1，1]中，形成公式。

②min-max歸一化處理，則映射到[0，1]參數上，形成公式。

在歸一化應用處理的過程中，需要對場景條件做出說明，并以此確定自身技術條件的應用內容。第一，對于概率模型，無須進行歸一化處理;第二，SVM與線性回歸之類的最優化問題，需要進行歸一化處理，并主要針對其變量取值數據進行分析;第三，神經網絡體系中的歸一化處理有明顯的必要性，需將變量取值限制在[-1，1]，由此弱化部分大數值變量數據對整體模型產生的負面影響。通常情況下，神經網絡中的隱藏層會使用tanh完成激活函數，并在優于sigmoid激活的條件下，適應其雙曲正切函數的取值條件，在tanh的0均值狀態下，保證歸一化的有效性;第四，K-近鄰算法中，如果沒有對解釋變量數值（x）做出歸一化調整，則小數量級的釋變量條件可忽略不計。

3? ? ?基于多元化業務建模框架的訓練數據模式

多元化狀態下，業務內容的建模框架結構中，數據挖掘技術是完成技術分析的核心。通過開展數據挖掘處理，可以針對應用條件下，數據模型訓練能力不足的問題，提出有效解決策略，并在數據訓練效果上，獲得本質化提升。而在執行訓練數據（Train Data）的過程中，除了完成基礎性的模型檢驗以外，還可以引入驗證數據，并在輔助模型上，補充小型數據集的管理辦法，并通過自助法等手段，實現訓練數據模式的完善體系建設。

3.1? ?數據挖掘

數據挖掘作為計算機學科的分支，在對多元化業務建模框架進行優化調整的過程中，可以提高訓練數據的應用深度，并使整體數據體系更好地展現出信息價值。而在具體的使用數據應用分析中，可以對數據模型做出判斷，通過以下4個階段性的計算，保證數據分析的有效性。

3.1.1? ?訓練階段（training phase）

訓練階段為所有數據挖掘處理中公用的基礎性技術，在建模處理之前，需要對數據信息進行預處理。尤其在獲取定義是被分配信息的內容上，務必要對挖掘類型與特定控制信息內容做出細化分析。尤其在分類與回歸技術調整中，訓練階段還需要形成一個確認處理，以此維護訓練分析的有效性。另外，在訓練階段的數據管理中，還需要針對具體的數據挖掘模型，設置單獨的額外數值組，并作為對測試階段的具體描述。而這一獨立數值組的計算結果，則可定位為實例內容，以此完成對決定運算法則結束時間的技術控制。

3.1.2? ?模型自查階段（model introspection phase）

在添加并設計模型自查階段的過程中，可將其作為解釋與評估的具體模型，完成整體數據挖掘的對照管理。在執行過程中，需要將模型與目標設置為統一的細查數據，并在揭示訓練階段數據的同時，定位數據信息中潛藏的規律條件。同時，通過對具有統計價值信息的特性評估，保證評估模型的分析質量。

3.1.3? ?測試階段（testing phase）

測試階段的設置，可配合分類與回歸。在測試過程中，可以形成模型化的對象讀入系列數值組，并通過對相應數值組的具體評估，確定數值對象段的實際數值比較條件。數據統計結果可以作為應用案例，確定模型質量的可用性水平，為多樣化業務模型的適用條件奠定基礎。

3.1.4? ?應用階段（application phase）

在模型的應用階段中，需要輸入數據組完成整體模型的評估分析。同時，也可以使用大量的數據組作為基礎，對數據模型進行判斷，以求更加系統的補充數據模型的計算條件。而為了形成正確的模型數據輸入值，則務必保證將其分配到訓練階段，并完成對相關字段的確認與分析。由此，在預定課題的模型應用中，保證整體課題的建設條件，并在模型系統中形成完整的推論信息。最終，在推論數據的輔助作用下，可以配合附加狀態的特性內容，提交并獲得完整的數據挖掘資料。注意，特定條件下，推論內容的應用，是提高整體數據分析可信度狀態的重要條件，需要在整體數據挖掘處理中，關注其添加狀態與分析結果。

3.2? ?自助法計算

進行多元化業務建模分析過程中，還可嘗試引入自助法進行分析。通過強調自助采樣模型的（bootstrap sampling）基礎性，在包含m數量樣本集合數據系統D中，形成具體的數據集合。由此，在對集合進行分析的過程中，從中提煉出具體的樣本條件，并復制交換到初始集合數據D中，以保證樣本采集效果的重復性。經過m次的重復執行后，可以形成帶有m個樣本數據的新數據集，以此對自助采樣結果進行計算，形成此采樣的不被采集概率，表示如下。

（4）

經過這一概率分析，可以向自助采樣發出通知，并在初始數據集合D中，形成36.8%的樣本未出現概率。由此，可以將新生成的樣本集合作為訓練集，在保證D/D′測試效果的同時，完成自助化的計算分析。在自助法分析中，可以有效地區分訓練集與測試集，在對自助法進行數據優化的同時，使整體數據分布條件發生改變，并在這一因素的影響下，增加誤差的產生概率。所以，在進行數據分析與訓練的過程中，需要根據實際情況進行選擇，并采用留出法與交叉驗證法完成測試。

4? ? ?結 語

企業在應用多元化業務模型框架的條件上，需要借助交互式學習技術的優勢條件，通過對整體技術體系的開發，保證自身應用內容的管理狀態。尤其在優化企業數據建模框架的過程中，應將深入化的數據分析作為核心，在保證深度學習狀態的同時，提高整體數據分析的有效性，并生成具體的數據分析結果，對企業的實際運行管理提供必要的指導，以此維護整體技術的開發運用。

主要參考文獻

[1]張雪松，莊嚴，閆飛，等.基于遷移學習的類別級物體識別與檢測研究與進展[J].自動化學報，2019（7）.

[2]焦志倫，金紅，劉秉鐮，等.大數據驅動下的共享單車短期需求預測——基于機器學習模型的比較分析[J].商業經濟與管理，2018（8）.

[3]冉智勇，胡包鋼.統計機器學習中參數可辨識性研究及其關鍵問題[J].自動化學報，2017（10）.