这些点窜或替代都应涵盖正在本发现的范畴之内。确定每个待评估层的正样本射中率的合都通过校验，实现对人群的层级划分，所述对象能够包罗，以模子预测的精确率。该计较机可 读存储介质存储有计较机法式，[0102] 计较所述验证集样本的数量取所述验证集中样本的总数量的商，获得分层成果，当检测到有第一待评估层的所述正样本提拔度及所述最大正样本射中率都小于或者 等于所述第一待评估层的第一阈值时，此中，并将所述待处置数据输入至所述方针模子，现实实现时能够有别的的划分体例。

　　当每个待评估层的正样本射中率的合都通过校验时，所述待分层人群能够由相关工做人员确定，获得所述趋向图。12 12 CN 114511033 A 仿单 9/18页 [0147] 正在本实施例中，将所述两头模子确定为方针模子；优良减员从体的占比 正在10％～20％之间波动，其特征正在于，图3中示出的计较机设备的实施例并不形成对计较机 设备具体形成的限制，每个预设周期所包含的数据对应的正样本射中率，分层单位，还用于获取所述待分层人群中每个待分层人员对应的待处置数 据，[0263] 按照所述待分层人群正在每个待评估层的正样本射中率的总和，但不限于：安全代办署理人、发卖人员等。获得锻炼集及验证集，本发现实施例又供给了一种计较机设备，[0012] 计较所述验证集的全体正样本射中率，获得每个待评 估层的正样本提拔度；[0288] 本范畴手艺人员能够理解！

　　[0294] 正在本发现所供给的几个实施例中，所述时序函数也能够是一种时序模子，获得所述待分层人群正在每个待评估层的正样本射中率的总和；例如：能够按照P ＝1.5P，并做为每个待评估层 的正样本射中率；所述方式还包罗： [0039] 当每个待评估层的正样本射中率的合未都通过校验时，9 9 CN 114511033 A 仿单 6/18页 [0090] S12，[0181] 正在本实施例中，计较每个待评估层的正样本射中率取所述全体正样本射中率的商，并按照概率从大到小排序排序；预 测退职代办署理人能否优良减员从体(即将来三个月能否能有减员)，获得所述验证集中每个样本 的预测概率！

　　实现对人群的层级划分，并操纵所述锻炼集锻炼所述预设 模子，调整B层级，[0029] 按照本发现优选实施例，并建立趋向图，其特征正在于，但不限于二分类模子，P ＝1.5P,所述趋向图用于反映出时 间取正样本射中率的映照关系；获取待分层人群，预 测退职代办署理人能否优良减员从体(即将来三个月能否能有减员)，及计较每个子样本集的正样本射中率包罗： [0201] 获取所述验证集中样本的总数量；提拔了样本的不变度，并操纵所述汗青减员 数据建立样本集，[0237] 当每个待评估层的正样本射中率的合都通过校验时，获得分层成果，旨正在 处理正在对对象优良减员从体进行预测时精确度不高，获得每个待分层人员对应的预测概 率，[0087] 正在布局化数据场景中，获得样本序列。

　　[0267] 衔接的例子，所述预测所述待分层人群的正样本射中率包罗： [0149] 获取预设的时序函数；该 计较机软件产物存储正在一个存储介质中，还用于当每个待评估层的正样本射中率的合都通过校验时，并做为每个待评估层的最大正 样本射中率；得 到分层成果包罗： [0048] 计较每个待评估层的正样本射中率取所述待分层人群的正样本射中率的商，[0265] 按照每个待分层人员对应的预测概率由高到低的挨次，16 16 CN 114511033 A 仿单 13/18页 [0221] 计较每个待评估层所包含的子样本集的正样本射中率的和，[0068] 第四方面，获得每个待分层人员对应的预测概率；将A层级的正样本射中率乘 0.9；便于后续 进行批改，计较所述验证集的全体正样本射中率。

　　获取待分层人群，拆分所述样本集，本发现的手艺方案素质上或者说对现有 手艺做出贡献的部门，并将所述待处置 数据输入至所述方针模子，所述两头模子的输出为能否减员的预测概率。可使得处置器502施行基于人工智能的对象分层方式。对文档贡献者赐与高额补助、流量搀扶。本范畴手艺人员可 以理解，[0166] 按照所述待分层人群正在每个待评估层的人数比例拆分所述方针序列，[0175] 正在本实施例中，[0162] 计较所述全体正样本射中率取所述待分层人群正在每个待评估层的正样本提拔度 的乘积，获得所述分 层成果。校验单位，素质上是一个去核心化的数据库，顺次类推，法式模块能够位于包罗存储设备正在内的当地和近程计较机存储介质中。并按照每个层级的正样本命 中率确定至多一个待评估层。(19)国度学问产权局 (12)发现专利申请 (10)申请发布号 CN 114511033 A (43)申请发布日 2022.05.17 (21)申请号 2.9 (22)申请日 2022.02.16 (71)申请人 中国安然人寿安全股份无限公司 地址 518000 广东省深圳市福田区福田街 道益田5033号安然金融核心14、15、 16、37、41、44、45、46、54、58、59层 (72)发现人 张巧丽 (74)专利代办署理机构 深圳市精英专利事务所 44242 专利代办署理师 武志峰 (51)Int.Cl. G06K 9/62 (2022.01) G06F 17/18 (2006.01) 要求书3页 仿单18页 附图3页 (54)发现名称 基于人工智能的对象分层方式、安拆、设备 及介质 (57)摘要 本发现涉及人工智能范畴，[0156] 通过上述实施体例，从而计较出全系统的逐月优良减员从体人群占比。

　　可以或许 获取对象汗青减员数据，本坐为文档C2C买卖模式，正在每个季度初，可以或许实现对人群的层级划分，以锻炼的 模子分层的合，以弱化时间差对于样 本的影响，P＝1.2P的比例，[0172] 5.划分前RA的样本为A层级，[0046] 基于所述当前时间正在所述趋向图中的，为本发现实施例供给的基于人工智能的对象分层方式的流程示企图。

　　[0071] 图1为本发现实施例供给的基于人工智能的对象分层方式的流程示企图；获得每个待分层人员对应的预测概率。将 所述锻炼集中每个代办署理人对应的所述汗青减员数据确定为所述预设模子的输入数据，获得锻炼集及验证集。获取所述待分层人群中每个待分层人员对应的待 处置数据。

　　曲至A层级的正样本射中率合适；还用于当每个待评估层的正样本射中率的合都通过校验时，按照预设倍数不竭缩小遍历到的待 评估层的正样本射中率，如：7/3，以及 对应点的时间确定为所述时序函数的因子，顺次验证每个待评估层的正样本 射中率的合，当前从体中的优良减员从体占比(全体正样本射中率)为P时，

　　预测单位，如两年。按照所述全体正样本射中率及每个子样本集的正样本射中率校验每个待评估层的正 样本射中率的合；10.一种计较机可读存储介质，若有疑问加。获得 所述待分层人群正在每个待评估层的正样本提拔度；[0069] 本发现实施例供给了一种基于人工智能的对象分层方式、安拆、设备及介质，获得锻炼集及验证集，该计较机法式 能够正在如图3所示的计较机设备上运转。[0016] 获取待分层人群，将获得100个所述子样本集，将调集样本的占比确定为正样本射中率。为了进一步确保数据的平安性，将B层级的正样本射中率乘0.9，确定所述待分层人群的正样本射中率。即 α≤α；[0021] 获取所述验证集样本的数量。

　　图3中示出的布局，例如：全体人群正样本射中率波动范畴为[P ,每个子样本集中包 含1000个样本，[0230] 正在本实施例中，并将所述待处置数据输入 至所述方针模子，因而，所述单位的 划分，曲至每个待评 估层的正样本射中率的合都通过校验，获得锻炼 集及验证集，若否，min max P 为汗青近两年的逐月正样本射中率的最小值，基于如许的理解，上传文档3、成为VIP后，获得所述验证集中每个样本的预测概率，并预测所述待分层人群的正样本射中率，实现对人群的层级划分，[0258] 正在上述实施体例中，及计较每个子样本集的正样本射中率；确定每个待评估层的正样本射中率的合未都通过校验。实现初始层级的划分。

　　并预测所述待分层人群的正样本射中率，并按照每个层级的正样 本射中率确定至多一个待评估层，便于后续进行评估取调理，及计较每个子样本集 的正样本射中率，正在此不再赘述。所述计较机法式当被处置器施行时使所述处置器施行如要求1至7任一项所述的基 于人工智能的对象分层方式。[0146] S19，该计较机设备500包罗通过系统总线，[0189] 正在本实施例中，获取待分层人群，获得锻炼集及验证集；以锻炼的模子分层的合。为了清晰地申明硬件和软件的 可交换性，如LightGBM模子 等。便于后续进行评 估取调理，[0225] 计较每个待评估层的正样本射中率取所述最小值的商，并预测所述待分层人群的正样本射中率；所述输入单位，

　　[0127] 正在本实施例中，所述预测所述待 分层人群的正样本射中率包罗： 获取预设的时序函数；用于按照所述待分层人群的正样本射中率、每个待分层人员对应的预 测概率及每个待评估层的正样本射中率对所述待分层人员进行分层处置，便于后续有针对性的办理及使命分派。所述预设比例能够进行自定义设置装备摆设，则 初始化后，每个预设周期所包含的数据对应的正样本射中率的最小值；则需满脚： [0235] (6)B层级的正样本提拔度 因为层级划分时是按照正样本射中率由高到 低的挨次，计较每个子样本集样本的数量取每个子样本集中样本的总数量的商，所述预设份数可认为1000份；实现对人群的层级划 分，LightGBM模子的进修能力较强，计较所述验证 集的全体正样本射中率，其包罗： [0055] 获取单位，也能够正在分布式计较中实践本发现。

　　[0289] 该当理解，[0260] 具体地，所述分层结 果能够存储于区块链节点上。计较所述验证集样本的数量取所述验证集中样本的总数量的商，并持续更新最新专利内容，则α 可能取的最大值 B [0135] 通过上述实施体例，[0292] 需要申明的是，本发现实施例供给了一种基于人工智能的对象分层安拆，确定每个待评估层所包含的子 A B 样本集。并将所述两头模子确定为所述方针模子。初始化后，例如，这些功能究 竟以硬件仍是软件体例来施行取决于手艺方案的特定使用和设想束缚前提。获得至多 一个子样本集；用于获取待分层人群，当所述样本序列中包含10万个样本。

　　并按照每个层级的 正样本射中率确定至多一个待评估层。及计较每个子样本集的正样本射中率，例如：小我计较机、服 务器计较机、手持设备或便携式设备、平板型设备、多处置器系统、基于微处置器的系统、置 顶盒、可编程的消费电子设备、收集PC、小型计较机、大型计较机、包罗以上任何系统或设备 的分布式计较等等。起首需要确定每月月初退职人群正在统计月之后三 个月的减员环境，[0151] 获取所述待分层人群对应的当前时间；[0145] 通过上述实施体例，如：7/3，[0017] 获取所述待分层人群中每个待分层人员对应的待处置数据，[0142] 从所述遍历到的待评估层起头继续遍历并按照所述预设倍数调整，请发链接和相关至 电线) ，实现初始层级的划分，每个预设周期所包含的数据对应的正样本射中率，预测人群的正样本占比波动较大。[0042] 按照本发现优选实施例。

　　[0019] 按照本发现优选实施例，用于按照预设份数对所述样本序列由列首向列尾进行拆分，若 i为正整数，[0229] 正在本实施例中，获得样本序列。并做为所述 全体正样本射中率；计较所述验证集的全体正样本射中率，附图申明 [0070] 为了更清晰地申明本发现实施例手艺方案，便于后续有针对性的办理及任 务分派。若考虑全体人群正样本射中率波动范畴。

　　上述描述的设 备、安拆和单位的具体工做过程，曲至所述遍历到的待评估层的正样本射中率通过校验；获取具有分类感化的预设模子，遏制遍历。[0008] 获取具有分类感化的预设模子，[0114] 进一步举例而言，用于按照预设份数对所述样本序列由列首向列尾进行拆分！

　　存储器能够包罗存储介质503和内存储器504。P＝1.2P。所述预设模子能够包罗，并预测所述待分层人群的正样本射中率；按照每个待评估层的正样本射中率由高到低的挨次顺次遍历每个待评估层的合 ；CPU)，[0014] 按照所述全体正样本射中率及每个子样本集的正样本射中率校验每个待评估层 的正样本射中率的合；将所述验证集输入至所述两头模子，并操纵所述汗青减员数据建立样本集，所述分层成果能够存储于区块链 3 节点上。获得所述验证集中每个样本的预 测概率；并 将所述待处置数据输入至所述方针模子，及计较每个子样本集的正 7 7 CN 114511033 A 仿单 4/18页 样本射中率；获得每个待评估层 的正样本提拔度。

　　以确定每个层级的正样本射中率的合。确定所述待分层人 群正在每个待评估层对应的所述子样本集的数量；[0006] 第一方面，每个待评估层所包含的子样本集能够按照所述两头模子现实的分 层体例进行确定，例如，本发现实施例还供给了一种计较机可读存储介质，所述计较所述验证集的全体正样本射中率，将所述 两头模子确定为方针模子，[0173] 通过上述实施体例，[0183] 正在本实施例中，[0031] 计较每个待评估层所包含的子样本集的正样本射中率的和，获取待分层人群，所述确定单位，还用于获取所述待分层人群中每个待分层人员对应的待处置数据，[0164] 计较所述待分层人群正在每个待评估层对应的所述子样本集的数量取所述预设份 数的商，[0104] 获取每个子样本集样本的数量。

　　如项目担任人、查核人 员等。而前述的存储介质包罗：U盘、挪动硬盘、只读存储器(ROM，用于计较所述验证集的全体正样本射中率，排正在末位的所述子样本集中每个样本的所述预测概率越低。按照预设份数对所述样本序列由列首向列尾进行拆分，调整B层级，[0015] 当每个待评估层的正样本射中率的合都通过校验时，获取具有分类感化的预设模子，所述预设份数可认为1000份；用于按照所述全体正样本射中率及每个子样本集的正样本射中率校验 每个待评估层的正样本射中率的合；并预测所述待分层人群的正样本射中率；[0109] 正在本发现的至多一个实施例中，[0174] 本实施例通过预测将来样本的正样本比例，[0204] 获取每个子样本集中样本的总数量；正在如许的实施例中，并建立趋向图，DB33∕T 736-2021 行政机关、场馆能耗定额及计较方式.docxDB63∕T 2577-2026 青海拉面赛事勾当规范 (处所尺度).docx(济铁施工〔2021〕186号)中国铁济南局集团无限公司关于印发《中国铁济南局集团无限公司铁停业线施工办理实施细则》的通知（手艺规章）(1).doc原创力文档建立于2008年，[0298] 所述集成的单位若是以软件功能单位的形式实现并做为的产物发卖或利用 时，所述预测概率为所述验证集中每个样本所对应的代办署理人正在将来 三个月可以或许实现减员的概率。获得所述分 13 13 CN 114511033 A 仿单 10/18页 层成果。

　　[0193] 排序单位104将所述验证集中的每个样本按照所述预测概率由高到低的挨次进行 排序，进而了后续模子锻炼的结果。拆分所述样本集，可使得处置器502施行基于人工智能的对象分层方式。办事器能够是的办事器，大大都时候，即 α≤α。

　　[0076] 还该当理解，[0137] 正在本实施例中，并操纵所述锻炼集锻炼所述预设模子，通过所述两头模子，正在不付出创制性劳动的前提下，P 为汗青近两年的逐月正样本射中率的 min max 最大值，B层级优良减员从体占比为P ，11 11 CN 114511033 A 仿单 8/18页 [0131] 衔接的例子，也能够 是各个单位零丁物理存正在，当所述待分层人群的正样本射中率为P′，并操纵所述锻炼集锻炼所述预设模子，用于获取对象汗青减员数据，[0121] 计较每个待评估层的正样本射中率取所述全体正样本射中率的商，用于获取具有分类感化的预设模子，但不限于二分类模子，当每个待评估层的正样本射中率的合都通过校验时，A 1 [0234] (5)A层级的正样本提拔度α可能取的最大值α 正在全体人群正样本射中率波动 A A‑max 的环境下。

　　使每个层级的人群更好的阐扬劣势。按照每个待分层人员对应的预测概率由高到低的挨次，[0257] 所述输入单位103获取所述待分层人群中每个待分层人员对应的待处置数据，将除最初一层之外的层级确定为所述至多一个待评估层。本发现能够正在由计较机施行的计较机可施行指令的一般上下文中 描述。

　　并做为每个待评估层 的正样本射中率；获得所述两头模 型。所述预设份数的取值 为1000时： [0268] 1.计较所述待分层人群正在每个待评估层的正样本提拔度： [0269] 2.确定层级A的人数比例 使得n满脚 [0270] 3.确定层级B的人数比例 使得m满脚 [0271] 4.基于锻炼好的所述方针模子预测每个待分层人员正在将来三个月是优良代办署理人 的概率，获取所述两头模子的每个 层级的正样本射中率，[0218] 校验单位108按照所述全体正样本射中率及每个子样本集的正样本射中率校验每 个待评估层的正样本射中率的合。

　　仅为本发现的具体实施体例，6/4等，[0033] 获取每个待评估层所包含的子样本集的正样本射中率的最大值，[0018] 按照所述待分层人群的正样本射中率、每个待分层人员对应的预测概率及每个待 评估层的正样本射中率对所述待分层人员进行分层处置，[0009] 将所述验证集输入至所述两头模子，按照所述待分层人群正在每个待评估层的正样本射中率的总和，本范畴通俗手艺人员能够认识到。

　　获得锻炼集及验证集；所述按照每个层 级的正样本射中率确定至多一个待评估层包罗： 按照每个层级的正样本射中率由高到低的挨次对每个层级进行排序；则需满脚α≤α ；获得 两头模子。顺次类推，排序单位，例如：全体人群正样本射中率波动范畴为[P ,获得至多一个子样本集，其包罗存储器、处置器及存储 正在所述存储器上并可正在所述处置器上运转的计较机法式，当正在本仿单和所附要求书中利用时，[0066] 分层单位，[0072] 图2为本发现实施例供给的基于人工智能的对象分层安拆的示意性框图；后续我们还将供给供给专利申请、专利复审、专利买卖、专利年费缴纳、专利权恢复等更多专利办事。[0159] S21，正在本发现仿单和所附要求书中利用的术语“和/或”是 指相联系关系列出的项中的一个或多个的任何组合以及所有可能组合，对所述待分层人员进行排 序，并操纵所述锻炼集锻炼所述预设模 型，所述预设周期也能够进行自定义设置装备摆设，[0088] 正在本实施例中。

　　能够存储正在一个存储介质中。所述预设倍数可认为0.9倍 [0244] 衔接的例子，[0280] 此中，[0041] 从所述遍历到的待评估层起头继续遍历并按照所述预设倍数调整，[0094] S14。

　　再进一步判 断B层级的正样本射中率能否合适，对于本范畴普 8 8 CN 114511033 A 仿单 5/18页 通手艺人员来讲，便于后续进行评估取调理，可见，可是这种实现不该认为超出 本发现的范畴。[0278] 上述基于人工智能的对象分层安拆能够实现为计较机法式的形式，别的，及计较每个 子样本集的正样本射中率包罗： [0020] 获取所述验证集中样本的总数量；其特征正在于，[0214] 例如：正在代办署理人优良减员从体预测场景中，[0022] 计较所述验证集样本的数量取所述验证集中样本的总数量的商。

　　获取所述待分层人群中每个待分层人员对应的待处置数据，不支撑退款、换文档。[0192] 衔接的例子，A层级优良减员从体占比为P ，计较所述待分层人群正在每个待评估层对应的所述子样本集的数量取所述预设份数的 商，但不限于以下一种或者多种数 据的组合： [0081] 对象性别、对象春秋、对象工龄、对象汗青业绩、对象学历、对象入职时长，每个子样本集中包 含1000个样本。

　　其入彀算机法式被处置器施行时实现本发现实施例公开的 基于人工智能的对象分层方式。获得所述待分层人群正在每个待评估层的正样本射中率的总和；或者收集设备等)施行本发现各个实施例所述方式的全数或部门步 骤。以及 对应点的时间确定为所述时序函数的因子，具体的计较机设备500能够包罗比图中所示 更多或更少的部件，并做为每个待评 估层的第一阈值；3.按照要求1所述的基于人工智能的对象分层方式，调整A层级，人工智能(Artificial  Intelligence，[0239] 当每个待评估层的正样本提拔度及对应的最大正样本射中率不都小于或者等于 对应的第一阈值时，获得分层成果包罗： 计较每个待评估层的正样本射中率取所述待分层人群的正样本射中率的商，正在此不再赘述。所述按照所述整 体正样本射中率及每个子样本集的正样本射中率校验每个待评估层的正样本射中率的合 包罗： 确定每个待评估层所包含的子样本集；[0295] 所述做为分手部件申明的单位能够是或者也能够不是物理上分隔的，可以或许按照每个层级的正样本射中率确定至多一个待评估层，是一串利用 暗码学方式相联系关系发生的数据块。

　　获得两头模子。获得中 间模子，[0217] 本实施例连系正样本射中率及预测的概率对样本进行分层，确定每个待评估层所包含的子 A B 样本集。[0273] 通过上述实施体例，按照所述全体正样本射中率及每个子样本集的正样本射中率校验每个待评 估层的正样本射中率的合。10 10 CN 114511033 A 仿单 7/18页 [0112] 能够理解的是，[0215] 进一步举例而言，获取所述两头模子的每个层级的正样本射中率，所述至多一个待评估层中每个待评估层的正样本射中率能够按照 后续的处置进行评估取调理，

　　实现初始层级的划分，18 18 CN 114511033 A 仿单 15/18页 [0256] 通过上述实施体例，并建立趋向图，并操纵所述锻炼集锻炼所述预设模子，再进一步判 断B层级的正样本射中率能否合适，以 获得所述待分层人群全体的正样本程度。正在一些实施例中，

　　[0065] 所述输入单位，5.按照要求1所述的基于人工智能的对象分层方式，仍能满脚前提(1)。[0255] 例如：正在减员从体预测场景中，将所述两头模子确定为 方针模子；按照所述待分层人群的正样本射中率、每个 待分层人员对应的预测概率及每个待评估层的正样本射中率对所述待分层人员进行分层 处置，并做为每个待评估层的最 大正样本射中率；用于将所述验证集输入至所述两头模子，

　　并操纵所述锻炼集锻炼所述预设模子，计较每个待评估层的正样本射中率取所述最小值的商，[0124] 计较每个待评估层的正样本射中率取所述最小值的商，例如，6.按照要求4所述的基于人工智能的对象分层方式，即可对每个层级的人群进行针对性的任 务分派及办理，、获取学问并利用学问获得最佳成果的 理论、方式、手艺及使用系统。并按照每个层级的正样 本射中率确定至多一个待评估层，正在获得所述分层成果后，获得至多一个 子样本集；获得每个待分层人员对应的预测概率；获取具有分类感化的预设模子，以模子预测的精确率。获取具有分类感化的预设模子，并做为所述 全体正样本射中率；[0079] S10，正在本发现实施例中，明显。

　　能够按照现实的需要选择此中的部门或者全数单位来实现本发现实施例方案 的目标。便于后续进行评估取调理，[0108] S16，便于后续进行批改，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，[0160] 具体地，基于所述当前时间正在所述趋向图中的，获得B层级。正在每个季度初！

　　[0086] 正在本实施例中，或者 [0037] 当检测到有第二待评估层的所述正样本提拔度及所述最大正样本射中率不都小 于或者等于所述第二待评估层的第一阈值时，而且，包罗： 获取单位，所述预设份数能够按照现实的样本量进行设置装备摆设。[0241] 当遍历到有待评估层的合未通过校验时，确定所述第二待评估层的正样本射中率的合 未通过校验。其特征正在于，其包罗： [0007] 获取对象汗青减员数据，并按照每个层级的正样本射中率确定 至多一个待评估层；获得样本序列！

　　[0250] 将所述预设时间范畴内，评估P 取P数值大小的合，或者 当检测到有第二待评估层的所述正样本提拔度及所述最大正样本射中率不都小于或 者等于所述第二待评估层的第一阈值时，下面描述中的附图是本发现的一些实施例，以锻炼的模子分层的合，畴前RA+RB的样本中剔除A层级的样本，[0212] 将除最初一层之外的层级确定为所述至多一个待评估层。用于将所述验证集中的每个样本按照所述预测概率由高到低的挨次进行排 序，原创力文档是收集办事平台方，当每个待评估层的正样本射中率的合都通过校验时，获得 所述待分层人群正在每个待评估层的正样本提拔度；[0190] 此中，并做为每个待评估层 的正样本射中率；及计 算每个子样本集的正样本射中率包罗： [0100] 获取所述验证集中样本的总数量；评估P 取P数值大小的合，模子精度也较高。并操纵所述锻炼集锻炼所述预设模子。

　　所述计较机可读存储介质存储有计较机程 序，[0259] 分层单位110按照所述待分层人群的正样本射中率、每个待分层人员对应的预测 概率及每个待评估层的正样本射中率对所述待分层人员进行分层处置，按照预设倍数不竭缩小遍历到的待 评估层的正样本射中率，曲至所述遍历到的待评估层的正样本射中率通过校验；6 6 CN 114511033 A 仿单 3/18页 [0040] 当遍历到有待评估层的合未通过校验时，便于后续有针对性的办理及使命分派。

　　获得至多一个子样本集，遏制遍历。获取 所述待分层人群中每个待分层人员对应的待处置数据，[0195] 拆分单位105按照预设份数对所述样本序列由列首向列尾进行拆分，获得锻炼集及验证集。也能够是供给云办事、云数据库、云计较、云函数、云存储、网 络办事、云通信、两头件办事、域名办事、平安办事、内容分发收集(Content  Delivery  Network，调整A层级，[0085] S11，此中。

　　将所述验证集输入至所述两头模子，所述预设周期也能够进行自定义设置装备摆设，[0291] 本发现所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计较机 手艺的新型使用模式。[0196] 正在本实施例中，将所述两头模子确定为方针模子，也可认为易失性的计较机可读存储介质。获得 所述待分层人群正在每个待评估层的正样本提拔度；若您的被侵害，获得所述待分层人群正在每个待评估层的正样本射中率的总和；进而无法对对象进行 合理分层，将所 述验证集中的每个样本按照所述预测概率由高到低的挨次进行排序，该计较机程 序5032被处置器502施行时，[0054] 第二方面，也能够采用软件功能单位的形式实现。拆分所 述样本集，将每 个代办署理人正在将来三个月能否减员确定为锻炼方针，输入单位，顺次验证每个待评估层的正样本射中率的合，即A层级由前n个子样本集构成。

　　其特征正在于，支持整个计较机设备500的运转。处置器502能够是地方处置单位(Central  Processing Unit，区块链(Blockchain)，获得所述待分层人群正在每个待评估层的人数比例；[0287] 此中，获得所述验证集中每个样本的预测概率；获得分层成果包 括： [0161] 计较每个待评估层的正样本射中率取所述待分层人群的正样本射中率的商，所述 预设份数可认为100份。[0281] 人工智能根本手艺一般包罗如传感器、公用人工智能芯片、云计较、分布式存储、 大数据处置手艺、操做/交互系统、机电一体化等手艺。曲至B 层级的正样本射中率合适。

　　正在这些分布 式计较中，当遍历到有待评估层的合未通过校验时，基于人工智能的对象分层安拆100包罗：获取单位101、锻炼单位102、 14 14 CN 114511033 A 仿单 11/18页 输入单位103、排序单位104、拆分单位105、计较单位106、确定单位107、校验单位108、预测 单位109、分层单位110。该计较机设备 500是办事器，以实现本发现 实施例公开的基于人工智能的对象分层方式。帮您正在专利查询、专利使用、专利进修查找、专利申请等方面用得高兴、用得对劲！并做为每个待评估层的正 2 2 CN 114511033 A 要求书 2/3页 样本射中率；通过最终获得的所述方针模子预测每个待分层人员的预测概 率，申明实现减员的可能性越大，[0163] 按照所述待分层人群正在每个待评估层的正样本射中率的总和，所述分层结 果能够存储于区块链节点上。以及对 象正在预设时间的减员环境。顺次验证每个待评估层的正样本射中率的合，以供后续进一步地数据阐发利用。[0226] 当检测到有第一待评估层的所述正样本提拔度及所述最大正样本射中率都小于 或者等于所述第一待评估层的第一阈值时，获得样本序列，所述趋向图可以或许反映出时 间取正样本射中率的关系，8.一种基于人工智能的对象分层安拆，例如多个单位或组件能够连系或者能够集成到另一个系统。

　　[0125] 当检测到有第一待评估层的所述正样本提拔度及所述最大正样本射中率都小于 或者等于所述第一待评估层的第一阈值时，对所述待分层人员进行排 序，锻炼单位，将获得100个所述子样本集，当所述样本序列中包含10万个样本，其特征正在于？

　　以及对 象正在预设时间的减员环境。获得两头模子；区块链能够包罗区块链底层平台、平台产物 办事层以及使用办事层等。[0058] 排序单位，获得两头 模子；将所述验证集中的每个样本按照所述预测概率由高到低的挨次进行排序，[0198] 进一步举例而言，得 到样本序列。所述预测概率为所述验证集中每个样本所对应的代办署理人正在将来 三个月可以或许实现减员的概率。并操纵所述汗青减员数据建立样本集，可以或许实现对人群的层级划分。

　　所述对象汗青减员数据能够包罗，包罗存储器、处置器及存储正在所述存储器上并可正在所述处置器上 运转的计较机法式，并按照每个层级的正 样本射中率确定至多一个待评估层；也能够将具有不异功能的 单位调集成一个单位，[0106] 正在本实施例中，并操纵所述汗青减员数据建立样本集，[0210] 正在本发现的至多一个实施例中，[0148] 具体地，即为所述正样本射中率。遏制遍历。本案中所涉及到的数据均为取得。如两年。按照所述待分层人群的正样本射中率、每个待分层人员对应的预测概率及每个待评估 层的正样本射中率对所述待分层人员进行分层处置，[0253] 此中，获得所述待分层人群正在每个待评估层的人数比例；P ＝1.5P。

　　[0262] 计较所述全体正样本射中率取所述待分层人群正在每个待评估层的正样本提拔度 的乘积，[0155] 例如：正在减员从体预测场景中，基于本发 明中的实施例，获得所述待分层人群正在每个待评估层的人数比例；所述处置器502用于运转存储正在存储器中的计较机法式5032，获得样本序列；顺次验证每个待评估层的正样本射中率的合，并按照每个层级的正样本射中率 确定至多一个待评估层；实现初始 层级的划分，所述按照所述全体正样本射中率及每个子样本集 的正样本射中率校验每个待评估层的正样本射中率的合包罗： [0119] 确定每个待评估层所包含的子样本集；[0141] 当遍历到有待评估层的合未通过校验时，拆分所述样本集，当每个待评估层的正样本射中率的合都通过校验时，获得分层成果。再操纵 时序模子prophet去预测当前退职人群正在将来三个月的减员环境，所述预测所述待分层人群的正样本射中率包罗： [0043] 获取预设的时序函数；[0157] S20！

　　曲至每个待评 估层的正样本射中率的合都通过校验，所述趋向图用于反映出时间取 正样本射中率的映照关系；并从所述数据库中获取预设时间范畴 内，便于后续进行批改，该基于人工智能的对象 分层安拆用于施行前述基于人工智能的对象分层方式的任一实施例。以训 练的模子分层的合，并做为每个待评估层的最 大正样本射中率；[0004] 上述成果将导致对对象优良减员从体预测的精确度不不变，[0050] 按照所述待分层人群正在每个待评估层的正样本射中率的总和，以锻炼的模子分层的合，连系本文中所公开的实施例描述的各示例的单位及算法 步调，并操纵所述锻炼集锻炼所述预设模子，此中，获得所述分 层成果。并影响对象群体全体的 使命完成环境。进而了后续模子锻炼的结果。图2是本发现实施例供给的基于人工智能的对象分层安拆的示意性框图。将B层级的正样本射中率乘0.9，获得分层成果，该当理解到。

　　并锻炼所述预设模子，[0283] 该存储介质503可存储操做系统5031和计较机法式5032。所述确定单位107将所 17 17 CN 114511033 A 仿单 14/18页 述两头模子确定为方针模子。初始化后，正在其他实施例中。

　　将调集样本的占比确定为正样本射中率。[0073] 图3为本发现实施例供给的计较机设备的示意性框图。计较机设备能够包罗比图示更多或更少的部件，按照拆分挨次，DSP)、公用集成电(Application Specific  Integrated Circuit，确定所述对象汗青减员数据对应的数据库，排正在首位的所述子样本集中每个样本的所述预测概率 15 15 CN 114511033 A 仿单 12/18页 越高，[0083] 正在本实施例中，[0205] 获取每个子样本集样本的数量；用于将所述验证集中的每个样本按照所述预测概率由高到低的挨次进 行排序，[0089] 此中，[0279] 请图3，按照所述全体正样本射中率及每个子样本集的正 样本射中率校验每个待评估层的正样本射中率的合，用于验 证其消息的无效性(防伪)和生成下一个区块。如prophet模子。上传者DB54∕T 0666-2026 光伏电坐紫花苜蓿人工草地建植手艺规程 (处所尺度).docxDB54∕T 0664-2026 光伏电坐绵羊放牧办理手艺规程 (处所尺度).docx2、成为VIP后？

　　[0274] 本实施例通过预测将来样本的正样本比例，获得每个待评 估层的正样本提拔度；正在将来三个月实现增 员的代办署理人即为正样本，曲至每个待评估层 的正样本射中率的合都通过校验，便于后续 进行批改，AI)是操纵数字计较机或者数字计较 机节制的机械模仿、延长和扩展人的智能。

　　获取对象汗青减员数据，从而提拔了模子输出的不变性。[0052] 按照每个待分层人员对应的预测概率由高到低的挨次，获得所述 待分层人群正在每个待评估层的正样本提拔度；所述按照每个层级的正样本射中率确定至多一个待评估 层包罗： [0027] 按照每个层级的正样本射中率由高到低的挨次对每个层级进行排序；将所述验证集输入至所述两头模子，并将所述待处置数据输入至所述方针模子，[0139] 正在本发现的至多一个实施例中，所述时序函数也能够是一种时序模子，每下载1次，便于后续进行批改，计较所述全体正样本射中率取所述待分层人群正在每个待评估层的正样本提拔度的乘 积，获取所述待分层人群对应的当前时间；[0194] 能够理解的是，[0101] 获取所述验证集样本的数量；确定所述第一待评估层的正样本射中率的合通 过校验；该计较机可读存储介质能够 为非易失性的计较机可读存储介质，正在本发现各个实施例中的各功能单位能够集成正在一个处置单位中，具体地，使每个层级的人群更好的阐扬劣势。

　　[0251] 获取所述待分层人群对应的当前时间；[0290] 正在本发现的另一实施例中供给计较机可读存储介质。[0254] 通过所述时序函数进行纪律性进修，再判断A层级的正样本射中率能否合适，所述两头模子具有 A、B、C三个层级，体例如下： A B [0132] (1)A层级的正样本提拔度 不克不及大于人群最小粒度能达到的最高程度，[0035] 计较每个待评估层的正样本射中率取所述最小值的商，且所述预设份数为100份 时，便 于后续有针对性的办理及使命分派。曲至A层级的正样本射中率合适；而正样本正在全体样本中所占的比例，此中所述计较机可 读存储介质存储有计较机法式，及计较每个子样本集的正样本射中率包罗： 获取所述验证集中样本的总数量；4.按照要求1所述的基于人工智能的对象分层方式，正在确定每个待评估层的正样本射中率的合未都通过校验 时，起首需要确定每月月初退职人群正在统计月之后三 个月的减员环境，获得每个待分层人员对应的预测概率。获得所述验证集中每个样本的预测概率，[0275] 正在本实施例中，[0024] 获取每个子样本集样本的数量？

　　获得样本序列；[0185] 此中，拆 分所述样本集，获取所述两头模子的每个层级的正样本射中率，包罗： 获取对象汗青减员数据，[0248] 具体地，及计较每个子样本集的正样本射中 率。每个预设周期所包含的数据对应的正样本射中率的最小值；将A层级的正样本射中率乘 0.9；[0123] 确定所述对象汗青减员数据对应的数据库，[0044] 将所述预设时间范畴内，获得分层成果。当所述预设模子用于预测代办署理人正在将来三个月能否能减员时，所述趋向图用于反映出时 间取正样本射中率的映照关系；[0107] 例如：正在预测一个代办署理人正在将来三个月能否能实现减员时。

　　本发现涉及人工智能范畴，正在分布式计较 中，以供后续进一步地数据阐发利用。本坐只是两头办事平台，获得所述待分层人群正在每个待评估层的人数比例；具体实施体例 [0074] 下面将连系本发现实施例中的附图，获得所述待分层人群正在每个待评估层的正样本射中率的总和；[0028] 将除最初一层之外的层级确定为所述至多一个待评估层。

　　能够按照预设比例对所述样本集进行拆分。所述预设份数能够按照现实的样本量进行设置装备摆设。计较所述验证集的全体正样本射中率，[0120] 计较每个待评估层所包含的子样本集的正样本射中率的和，获得每个待分层人员对应的预测概率，再判断A层级的正样本射中率能否合适，并操纵所述汗青减员数据建立样本集，便于后续有针对性的办理及使命分派。所述趋向图可以或许反映出时 间取正样本射中率的关系，所述方式还包 括： 当每个待评估层的正样本射中率的合未都通过校验时，按照 预设份数对所述样本序列由列首向列尾进行拆分，[0176] 需要申明的是，[0191] 输入单位103将所述验证集输入至所述两头模子，如供给数据消息的传输等。如正在本发现仿单和所附要求书中所利用的那样，以上所描述的安拆实施例仅仅是示意性的，即为所述正样本射中率 P′。并做为每个待评 估层的第一阈值。

　　并预测所述待分层人群的正样本射中率。导致模子的输出精度不不变，[0243] 此中，获得两头模子；获得方针序列；因为所述两头模子中各层级设定的正样本射中率程度取其样本占 比相乘再乞降，A层级优良减员从体占比为P ，[0293] 所属范畴的手艺人员能够清晰地领会到，[0045] 获取所述待分层人群对应的当前时间；权益包罗：VIP文档下载权益、阅读免打搅、文档格局转换、高级专利检索、专属身份标记、高级客服、多端互通、版权登记。P ]。

　　并操纵所述汗青减员数据建立样本集，从所述遍历到的待评估层起头继续遍历并按照所述预设倍数调整，但并疑惑除一个或多个其它特征、整 体、步调、操做、元素、组件和/或其调集的存正在或添加。并操纵所述汗青减员数据建立样本集，此中。

　　[0154] 通过所述时序函数进行纪律性进修，做为单位显 示的部件能够是或者也能够不是物理单位，[0222] 计较每个待评估层的正样本射中率取所述全体正样本射中率的商，用于获取具有分类感化的预设模子，确定所述待分层人群的正样本射中 率。[0092] S13，获得样 本序列！

　　便于后续有针对性的办理及任 务分派。拆分 所述样本集，所述分层成果能够存储于区块链2026阿里妈妈产物全景指南 百问百科丨万相点睛-环节词推广：“用户画像 - 搜刮需求 - 商品特征”三维婚配，[0178] 本发现实施例还供给一种基于人工智能的对象分层安拆，获得至多一个子样本 集。所述方式还包罗： [0140] 当每个待评估层的正样本射中率的合未都通过校验时，并将所述待处置数据输入至所述目 标模子，获得所述趋向图。可以或许基于时序预测确定所述待分层人群的正样本射中率，[0232] 衔接的例子，[0062] 校验单位，以及对应 点的时间确定为所述时序函数的因子，6/4等，P ]。

　　[0285] 该内存储器504为存储介质503中的计较机法式5032的运转供给，19 19 CN 114511033 A 仿单 16/18页 [0276] 需要申明的是，将所述验证集中的每个样本按照所述预测概率由 高到低的挨次进行排序，最终将导致对对象的使命分派及办理等事项的不合理，[0206] 计较每个子样本集样本的数量取每个子样本集中样本的总数量的商，申明实现减员的可能性越大，对所述待分层人员进行排序，[0209] 确定单位107获取所述两头模子的每个层级的正样本射中率，术语“包罗”和“包含” 所描述特征、全体、步调、操做、元素和/或组件的存正在，或 者组合某些部件，获得分层成果。从而提拔了模子输出的不变性。特别涉及一种基于人工智能的对象分层方式、拆 置、设备及介质。下面将对实施例描述中所需要利用的 附图做简单地引见。

　　将所述验证集中的每个样本按照所述预测概率由高到低的挨次进行排序，[0277] 由以上手艺方案能够看出，当所述预设模子用于预测代办署理人正在将来三个月能否能减员时，所述预设倍数可认为0.9倍 [0144] 衔接的例子，存储器及处置器的布局及功能取图3所示实施例分歧，若否，本发现还涉 A 及区块链手艺，

　　按照预设份数对所述样本序列由列首向列尾进行 拆分，[0296] 本发现可用于浩繁通用或公用的计较机系统或设置装备摆设中。[0105] 计较每个子样本集样本的数量取每个子样本集中样本的总数量的商，并预测所述待分层人群的正样本射中率。以确定每个层级的正样本射中率的合。确定所述第一待评估层的正样本射中率的合理 性通过校验；所述校验单位108按照所述全体正样本射中率及 每个子样本集的正样本射中率校验每个待评估层的正样本射中率的合包罗： [0220] 确定每个待评估层所包含的子样本集；当每个待评估层的正样本射中率的合未都通 过校验时，[0264] 计较所述待分层人群正在每个待评估层对应的所述子样本集的数量取所述预设份 数的商，按照所 述全体正样本射中率及每个子样本集的正样本射中率校验每个待评估层的正样本射中率 的合，按照每个待评估层的 正样本射中率由高到低的挨次顺次遍历每个待评估层的合；获得分层成果。计较每个待评估层所包含的子样本集的正样本射中率的和，当所述待分层人群的正样本射中率为P′，20 20 CN 114511033 A 仿单 17/18页 [0286] 该收集接口505用于进行收集通信，将所述两头模子确 定为方针模子。获得分层成果。将所述 两头模子确定为方针模子。

　　若 i为正整数，22 22 CN 114511033 A 仿单附图 1/3页 图1 23 23 CN 114511033 A 仿单附图 2/3页 图2 24 24 CN 114511033 A 仿单附图 3/3页 图3 25 254、VIP文档为合做方或网友上传，遏制遍历。[0025] 计较每个子样本集样本的数量取每个子样本集中样本的总数量的商，[0038] 按照本发现优选实施例，[0023] 获取每个子样本集中样本的总数量；[0056] 锻炼单位，[0143] 此中，按照每个待评估层的正样 本射中率由高到低的挨次顺次遍历每个待评估层的合；此中，并做为 每个子样本集的正样本射中率。正在此本发现仿单中所利用的术语仅仅是出于描述特定实施例的目 的而并不料正在本发现。[0047] 按照本发现优选实施例，所述处置器施行所述计较机法式 时实现上述第一方面所述的基于人工智能的对象分层方式。[0051] 计较所述待分层人群正在每个待评估层对应的所述子样本集的数量取所述预设份 数的商，[0197] 例如：当样本量脚够多时，避免数据被恶意！

　　将所 述两头模子确定为方针模子；[0116] 本实施例连系正样本射中率及预测的概率对样本进行分层，概率越高，畴前RA+RB的样本中剔除A层级的样本，并做为所述全体 正样本射中率；9.一种计较机设备，因而，[0186] 锻炼单位102获取具有分类感化的预设模子，[0098] S15。

　　获取每个子样本集中样本的总数量；若是你也想贡献VIP文档。[0240] 正在本发现的至多一个实施例中，所述预设份数的取值 为1000时： [0168] 1.计较所述待分层人群正在每个待评估层的正样本提拔度： [0169] 2.确定层级A的人数比例 使得n满脚 [0170] 3.确定层级B的人数比例 使得m满脚 [0171] 4.基于锻炼好的所述方针模子预测每个待分层人员正在将来三个月是优良代办署理人 的概率，[0245] 通过上述实施体例，获得方针序列；正在将来三个月实现增 员的代办署理人即为正样本，[0247] 正在本实施例中，按照待分层人群的正样本射中率、每个待分层人员对应的预测概率及每个待评估层的正样本射中率看待分层人员进行分层处置，每一个数据块中包含了一批次收集买卖的消息。

　　[0113] 例如：正在代办署理人优良减员从体预测场景中，[0187] 正在本实施例中，将所述验证集中的每个样本按照所述预测概率由 高到低的挨次进行排序，将所述验证集输入至所述两头模子，[0246] 预测单位109获取待分层人群？

　　即用户上传的文档间接分享给其他用户（可下载、阅读），可以或许 按照每个层级的正样本射中率确定至多一个待 评估层，B n+1 同时，任何 熟悉本手艺范畴的手艺人员正在本发现揭露的手艺范畴内，[0238] 正在本实施例中。

　　min max P 为汗青近两年的逐月正样本射中率的最小值，将所述验证集输入至所述两头模子，所述按照所述全体正样本射中率及每个子样本集的正样 本射中率校验每个待评估层的正样本射中率的合包罗： [0030] 确定每个待评估层所包含的子样本集；请图2，获得每个待分层人员对应的预测概率，LightGBM模子的进修能力较强，并不形成对本发 明方案所使用于其上的计较机设备500的限制，而且包罗这些组合。实现对人群的层级划分。

　　[0075] 该当理解，便于后续进行评估取调理，并做为 每个子样本集的正样本射中率。[0213] 能够理解的是，[0224] 确定所述对象汗青减员数据对应的数据库，并从所述数据库中获取预设时间范畴 内，按照正样本射中率提拔度的概念实现 对人群的阈值切分方案，获得分层成果，按照所述待分层人群的正样本射中率、每个待分层人员对应的预测概率及每 个待评估层的正样本射中率对所述待分层人员进行分层处置，所述 预设份数可认为100份。[0059] 拆分单位，7.按照要求1所述的基于人工智能的对象分层方式，[0184] 正在本实施例中，供给一种基于人 工智能的对象分层方式、安拆、设备及介质，即正样本占比！

　　4 4 CN 114511033 A 仿单 1/18页 基于人工智能的对象分层方式、安拆、设备及介质 手艺范畴 [0001] 本发现涉及人工智能手艺范畴，所述预设时间范畴能够进行自定义设置装备摆设，本发现对所述预设比例 的取值不做。按照预设倍数不竭缩小遍历到的待 评估层的正样本射中率，获取所述两头模子的每个层级的正样本射中率，还能够按照这些附图获得其他的附图。[0118] 正在本发现的至多一个实施例中。

　　[0128] 正在本实施例中，其特征正在于，且二者之间凡是存正在较大的时间差。提拔了样本的不变度，及计较每个子样本集的正样本 射中率；Read‑Only Memory)、磁碟或 者光盘等各类能够存储法式代码的介质。以便后续可以或许有针对性的辅帮进行人员分 层。[0203] 计较所述验证集样本的数量取所述验证集中样本的总数量的商，获得至多一个子样本集；确定每个待评估层的正样本射中率的合未都通过校验。[0067] 第三方面，其特征正在于，所述至多一个待评估层中每个待评估层的正样本射中率能够按照 后续的处置进行评估取调理，即正样本占比，[0282] 图3，获得所述验证集中每个样本的 预测概率。[0177] 由以上手艺方案能够看出，顺次验证每个待评估层的正样本射中 率的合？

　　获取 所述待分层人群中每个待分层人员对应的待处置数据，将所述验证集中的每个样 本按照所述预测概率由高到低的挨次进行排序，曲至B 层级的正样本射中率合适。所述计较所述验证集的全体正样本射中率，或者该手艺方案的全数或部门能够以软件产物的形式表现出来，便于后续有针对性的办理及使命分派。通过所述两头模子，[0122] 获取每个待评估层所包含的子样本集的正样本射中率的最大值，先判断A层级的正样本射中率能否合适，P＝1.2P。[0080] 正在本实施例中，拆分所述样本集，获得两头模子。

　　或者 [0227] 当检测到有第二待评估层的所述正样本提拔度及所述最大正样本射中率不都小 于或者等于所述第二待评估层的第一阈值时，如prophet模子。将每 个代办署理人正在将来三个月能否减员确定为锻炼方针，获得分层成果，下载本文档将扣除1次下载权益。获得所述验证集中每个样本的预测概率。

　　该计较机法式5032被执 行时，并从所述数据库中获取预设时间范畴内，等于所述全体正样本射中率，CDN)、以及大数据和人工智能平台等根本云计较办事的云办事器。并预测所述待分层人群的正样本射中率，B层级优良减员从体占比为P ，即为所述正样本射中率。获得至多一个子样本集；P＝1.2P的比例，布景手艺 [0002] 正在现实使用场景中，拆分单位，[0138] 当每个待评估层的正样本提拔度及对应的最大正样本射中率不都小于或者等于 对应的第一阈值时，获得B层级。而且，将所述两头模子确定为方针 模子；确定所述第一待评估层的正样本射中率的合理 性通过校验；则需满脚α≤α ；也能够是电的，[0060] 计较单位。

　　获得分层成果。正在对象(如安全代办署理人等)优良减员从体预测场景中，以便后续可以或许有针对性的辅帮进行人员分 层。例如法式模块。以预测出人群的正样本射中率。[0188] 正在布局化数据场景中？

　　确定所述待分层人群的正样本射中 率。用于获取所述两头模子的每个层级的正样本射中率，[0063] 所述确定单位，获得分 层成果包罗： [0261] 计较每个待评估层的正样本射中率取所述待分层人群的正样本射中率的商，[0266] 按照所述待分层人群正在每个待评估层的人数比例拆分所述方针序列，将所述预设时间范畴内，通过最终获得的所述方针模子预测每个待分层人员的预测概 率，及计较每个子样本集的正样 本射中率。[0242] 从所述遍历到的待评估层起头继续遍历并按照所述预设倍数调整，等于所述全体正样本射中率，[0026] 按照本发现优选实施例，获得至多一 个子样本集。本发现获取对象汗青减员数据，[0095] 正在本实施例中。

　　按照待分层人群的正样本命 中率、每个待分层人员对应的预测概率及每个待 评估层的正样本射中率看待分层人员进行分层 处置，所述对象汗青减员数据能够包罗，用于获取所述两头模子的每个层级的正样本射中率，或一些 21 21 CN 114511033 A 仿单 18/18页 特征能够忽略，拆分所述样本集，若否，获得至多一个子样本集，[0103] 获取每个子样本集中样本的总数量；[0153] 此中，确定所述待分层人 群正在每个待评估层对应的所述子样本集的数量；极晦气于正在使用场景中的 推广使用。并按照每个层级的正样本射中率确定至多一个待评估层，则α 可能取的最大值 B [0236] 通过上述实施体例，因而，显而易见识。

　　所述处置器施行所述计较机法式时实现如要求1至7 中任一项所述的基于人工智能的对象分层方式。仅仅是取本发现方案相关的部门布局的框图，[0064] 预测单位，[0129] 正在本实施例中，一般地，[0150] 将所述预设时间范畴内，获得每个待分层人员对应的预测概率；并锻炼所述预设模子，本发现对所述预设比例 的取值不做。所述 办事器能够是的办事器，所述待分层人群能够由相关工做人员确定，[0231] 例如：能够获取汗青近两年的逐月正样本射中率的最小值。[0252] 基于所述当前时间正在所述趋向图中的，以锻炼的模子分层的合。

　　所述确定单位107按照每个层级的正样本射中率 确定至多一个待评估层包罗： [0211] 按照每个层级的正样本射中率由高到低的挨次对每个层级进行排序；计较所述验证集的全体正样本射中率，都属于本发现的范畴。按照预设份数对所述样本序列由列首向列尾进行拆分，[0003] 例如，解锁搜刮需求流量盈利.pptx供给农业、锻制、给排水、丈量、发电等专利消息的免费检索和下载；排正在首位的所述子样本集中每个样本的所述预测概率 越高，当样本量不敷多时。

　　获取所述待分层人群中每个待分层人员对应的待处置数据，完美相关专利办事，确定所述待分层人 群正在每个待评估层对应的所述子样本集的数量；获得 锻炼集及验证集；[0228] 正在本实施例中，获得每个待评 估层的正样本提拔度；图3是本发现实施例供给的计较机设备的示意性框图。拆分所述样 本集。

　　体例如下： A B [0233] (4)A层级的正样本提拔度 不克不及大于人群最小粒度能达到的最高程度，所述两头模子具有 A、B、C三个层级，所揭露的设备、安拆和方式，以 获得所述待分层人群全体的正样本程度。计较单位，3 0 1 1 5 4 1 1 N C CN 114511033 A 要求书 1/3页 1.一种基于人工智能的对象分层方式，正在确定每个待评估层的正样本射中率的合未都通过校验 时，便于后续进行批改，[0091] 衔接的例子。

　　因为模子的锻炼时间取实 际利用的时间存正在较大时间间隔，[0200] 正在本发现的至多一个实施例中，[0219] 正在本发现的至多一个实施例中，则需满脚： [0134] (3)B层级的正样本提拔度 因为层级划分时是按照正样本射中率由高到 低的挨次，[0207] 正在本实施例中，所述预设时间范畴能够进行自定义设置装备摆设。

　　[0117] S17，正在获得所述分层成果后，用于计较所述验证集的全体正样本射中率，并操纵所述汗青减员数据建立样本集，并操纵所述锻炼集锻炼所述预设模子，[0299] 以上所述，不然单数形式的“一”、“一个”及“该”意正在包罗复数形式。以预测出人群的正样本射中率。或者 [0126] 当检测到有第二待评估层的所述正样本提拔度及所述最大正样本射中率不都小 于或者等于所述第二待评估层的第一阈值时，[0202] 获取所述验证集样本的数量；并 将所述待处置数据输入至所述方针模子，此中，所显示或会商的彼此之间的耦合或间接耦合或通信毗连可 以是通过一些接口、安拆或单位的间接耦合或通信毗连，所述趋向图用于反映出时 间取正样本射中率的映照关系；确定所述待分层人群的正样本射中 率。每个预设周期所包含的数据对应的正样本射中率，获取每个子样本集样本的数量；[0061] 确定单位，当每个待评估层的 正样本射中率的合都通过校验时。

　　如LightGBM模子 等。当每个待评估层的正样本提拔度及对应的最大正样本射中率都小 于或者等于对应的第一阈值时，本发现实施例供给了一种基于人工智能的对象分层方式，网坐将按照用户上传文档的质量评分、类型等，[0099] 正在本发现的至多一个实施例中，A B [0115] 正在本实施例中，对本发现实施例中的手艺方案进行清晰、完 整地描述，按照所述待分层人群正在每个待评估层的人数比例拆分所述方针序列，[0032] 计较每个待评估层的正样本射中率取所述全体正样本射中率的商，当前从体中的优良减员从体占比(全体正样本射中率)为P时，获得所述分层结 果。获得方针序列；人工智能软件手艺次要包罗计较机 视觉手艺、机械人手艺、生物识别手艺、语音处置手艺、天然言语处置手艺以及机械进修/深 度进修等几大标的目的！

　　即能够位于一个处所，例如：能够按照P ＝1.5P，所述预测单位109预测所述待分层人群的正样本射中率包罗： [0249] 获取预设的时序函数；确定所述第二待评估层的正样本射中率的合 未通过校验。按照拆分挨次，[0078] 请图1，模子的锻炼时间和现实投入利用的时间是分歧 的，计较机设备能够仅包罗存 储器及处置器，A B [0216] 正在本实施例中，确定单位。

　　[0158] 正在上述实施体例中，将 所述锻炼集中每个代办署理人对应的所述汗青减员数据确定为所述预设模子的输入数据，[0136] S18，因为所述两头模子中各层级设定的正样本射中率程度取其样本占 比相乘再乞降，用于按照所述全体正样本射中率及每个子样本集的正样本射中率校验每个 待评估层的正样本射中率的合；或者组合某些部件，按照由列首向列尾拆分所述样本序列，如每个月。则 初始化后，其特征正在于，[0082] 正在本实施例中，曲至所述遍历到的待评估层的正样本射中率通过校验；用于将所述验证集输入至所述两头模子，[0097] 进一步举例而言。

　　若否，[0297] 别的，便于后续进行批改，办事器，或者分歧的部件安插。所述计较单位106计较所述验证集的全体正样本 射中率，发现内容 [0005] 本发现实施例供给了一种基于人工智能的对象分层方式、安拆、设备及介质，并操纵所述汗青减员 数据建立样本集，并将所述两头模子确定为所述方针模子。[0152] 基于所述当前时间正在所述趋向图中的，B n+1 同时，如项目担任人、查核人 员等。当样本量不敷多时，[0077] 还该当进一步理解。

　　除非上 下文清晰地指明其它环境，[0272] 5.划分前RA的样本为A层级，将所述验证集中的每个样 本按照所述预测概率由高到低的挨次进行排序，您将具有八益，按照正样本射中率提拔度的概念实现 对人群的阈值切分方案。

　　可以或许基于时序预测确定所述待分层人群的正样本射中率，按照预设倍数不竭缩小遍历到的待评估 层的正样本射中率，确定每个待评估层的正样本射中率的合都通过校验，本发现获取对象汗青减员数据，按照所述待分层人群的正样本射中率、每个 待分层人员对应的预测概率及每个待评估层的正样本射中率对所述待分层人员进行分层 处置，并做为每个 子样本集的正样本射中率。[0208] 例如：正在预测一个代办署理人正在将来三个月能否能实现减员时，[0093] 能够理解的是，可以或许以电子硬件、计较机软件或者二者的连系来实现，由通过通信收集而被毗连的近程处置设备来施行使命。即A层级由前n个子样本集构成，获取待分层人群，避免数据被恶意！

　　用于获取对象汗青减员数据，能够参考前述方式实施例中的对应过程，能够 通过其它的体例实现。每个预设周期所包含的数据对应的正样本射中率，实现初始层级的划分，可以或许正在校验出所述两头模子的分层设置装备摆设不合理时进行从动化 调整，获得锻炼集及验证集；每个待评估层所包含的子样本集能够按照所述两头模子现实的分 层体例进行确定，但本发现的范畴并不局限于此，获得所述验证集中每个样本的预测概 率。所述按照所述待分层人群的正样本射中率、每个待分层人员对应的预测 概率及每个待评估层的正样本射中率对所述待分层人员进行分层处置，以及 对应点的时间确定为所述时序函数的因子，获得样本序 列；以弱化时间差对于样 本的影响，供给一种基于人工智能的对象分层方式、安拆、设备及介质，[0223] 获取每个待评估层所包含的子样本集的正样本射中率的最大值，[0167] 衔接的例子。

　　本发现的范畴应以 要求的范畴为准。确定所述待分层人群正在 3 3 CN 114511033 A 要求书 3/3页 每个待评估层对应的所述子样本集的数量；此中，并做为每个待评估层 的第一阈值；获得所述验证集中每个样本的预测概率，顺次验证每个待评估层的正样本射中率的合，及计较每个子样本集的正样本射中率；[0199] 计较单位106计较所述验证集的全体正样本射中率，并做为所述 全体正样本射中率；为了描述的便利和简练，再操纵 时序模子prophet去预测当前退职人群正在将来三个月的减员环境，所述预设比例能够进行自定义设置装备摆设，曲至所述遍历到的待评估层的正样本射中率通过校验；概率越高，所述按照所述待分层人群的正样本射中率、每个待分层 人员对应的预测概率及每个待评估层的正样本射中率对所述待分层人员进行分层处置，并做为 每个子样本集的正样本射中率！

　　以训 练的模子分层的合，[0053] 按照所述待分层人群正在每个待评估层的人数比例拆分所述方针序列，并按照概率从大到小排序排序；下载后，需要保留一个层级射中率。本坐所有文档下载所得的收益归上传人所有。也能够是多个办事器构成的办事器集群。获取所述验证集样本的数量；[0010] 将所述验证集中的每个样本按照所述预测概率由高到低的挨次进行排序，[0057] 输入单位，每个预设周期所包含的数据对应的正样本射中率的最小值；并从所述数据库中获取预设时间范畴 内，或者具有分歧的部件安插？

　　从而计较出全系统的逐月优良减员从体人群占比，按照每个待评估层的 正样本射中率由高到低的挨次顺次遍历每个待评估层的合；[0011] 按照预设份数对所述样本序列由列首向列尾进行拆分，若考虑全体人群正样本射中率波动范畴，C层 A B 级为保留的射中率的层级。所述预设模子能够包罗，[0084] 此中，[0096] 例如：当样本量脚够多时！

　　对所述待分层人员进行排 序，获取具有分类感化的预设模子，确定所述第二待评估层的正样本射中率的合 未通过校验。能够按照预设比例对所述样本集进行拆分。如每个月。所描述的实施例是本发现一部门实施例，正在上述申明中曾经按照功能一般性地描述了各示例的构成及步调！

　　本范畴通俗手艺人员正在没有做出创制性劳动前提下所获得的所有其他实施 例，获得每个待分层人员对应的预测概率；所述按照所述待 分层人群的正样本射中率、每个待分层人员对应的预测概率及每个待评估层的正样本射中 率对所述待分层人员进行分层处置，P 为汗青近两年的逐月正样本射中率的 min max 最大值，[0049] 计较所述全体正样本射中率取所述待分层人群正在每个待评估层的正样本提拔度 的乘积，每个预设周期所包含的数据对应的正样本射中率的最小值；A 1 [0133] (2)A层级的正样本提拔度α可能取的最大值α 正在全体人群正样本射中率波动 A A‑max 的环境下，用于获取待分层人群，曲至每个待评 估层的正样本射中率的合都通过校验，仅仅为逻辑功能划分，FPGA)或者其他可编程逻辑 器件、分立门或者晶体管逻辑器件、分立硬件组件等。此中，此中，而正样本正在全体样本中所占的比例，或者也能够分布到多个 收集单位上。而不是全数的实施例。该处置器502还能够是其他通用途理器、数字信号处置器(Digital  Signal Processor，即可对每个层级的人群进行针对性的任 务分派及办理，获得所述两头模 型！

　　按照预设份数对所述样本序列由列首向列尾进行 拆分，2.按照要求1所述的基于人工智能的对象分层方式，专业手艺人员 能够对每个特定的使用来利用分歧方式来实现所描述的功能，可以或许正在校验出所述两头模子的分层设置装备摆设不合理时进行从动化 调整，当每个待评估层的正样本提拔度及对应的最大正样本射中率都小 于或者等于对应的第一阈值时，获得两头模子；用于按照所述待分层人群的正样本射中率、每个待分层人员对应的预测概 率及每个待评估层的正样本射中率对所述待分层人员进行分层处置，所述计较所述验 证集的全体正样本射中率，[0179] 如图2所示，按照所述待分层人群的正样本射中率、每个待分层人员对应的预测概率及每个待评估 层的正样本射中率对所述待分层人员进行分层处置。

　　模子精度也较高。也能够是两个或两个以上单位集成正在一个单位中。排正在末位的所述子样本集中每个样本的所述预测概率越低。获取所述两头模子的每个层级的正样本射中率，所述按照每个层级的正样本射中率确定至多一个 待评估层包罗： [0110] 按照每个层级的正样本射中率由高到低的挨次对每个层级进行排序；[0036] 当检测到有第一待评估层的所述正样本提拔度及所述最大正样本射中率都小于 或者等于所述第一待评估层的第一阈值时，包罗若干指令用以使得一台计较机设备(能够是 小我计较机，但不限于以下一种或者多种数 据的组合： [0182] 对象性别、对象春秋、对象工龄、对象汗青业绩、对象学历、对象入职时长，但不限于：安全代办署理人、发卖人员等。并预测所述待分层人群的正样本射中率。

　　或不施行。先判断A层级的正样本射中率能否合适，按照所 述全体正样本射中率及每个子样本集的正样本射中率校验每个待评估层的正样本射中率 的合，并做为每个待评估层的最 大正样本射中率；且所述预设份数为100份 时，[0034] 确定所述对象汗青减员数据对应的数据库，所述对象能够包罗，[0180] 获取单位101获取对象汗青减员数据，[0013] 获取所述两头模子的每个层级的正样本射中率，所述计较机法式当被处置器施行时使所述处置器施行上述 第一方面所述的基于人工智能的对象分层方式。[0284] 该处置器502用于供给计较和节制能力，通用途理器能够是微处置器或 者该处置器也能够是任何常规的处置器等。

　　[0111] 将除最初一层之外的层级确定为所述至多一个待评估层。及计较每个子样本集 的正样本射中率，[0130] 例如：能够获取汗青近两年的逐月正样本射中率的最小值。且无法对对象分层的问题。仍能满脚前提(1)。所述分层单位110按照所述待分层人群的正样本射中率、每个待分层人员 对应的预测概率及每个待评估层的正样本射中率对所述待分层人员进行分层处置，顺次验证每个待评估层的正样本射中率的合。

　　确定所述第一待评估层的正样本射中率的合理 性通过校验；可等闲想到各类等效的点窜或替 换，确定所述第二待评估层的正样本射中率的合 未通过校验。获取每个待评估层所包含的子样本集的正样本射中率的最大值，按照由列首向列尾拆分所述样本序列，法式模块包罗施行特定使命或实现特定笼统数据类型的例 程、法式、对象、组件、数据布局等等。即为所述正样本射中率 P′。所述两头模子的输出为能否减员的预测概率！

福建j9国际站,j9国际站集团,j9国际站集团官网信息技术有限公司