1.一种搜索方法,其特征在于,所述方法包括:
计算机设备接收终端发送的算法结构的节点数量,所述计算机设备为服务器;
所述计算机设备利用循环神经网络在第一预设时长内搜索机器学习模型的算法结构,得到多个不同的算法结构,所述多个不同的算法结构具有相同数量的节点,每个算法结构的节点数量即为所述计算机设备获取的节点数量,每个算法结构中的中间节点为算法集合中的特征处理算法,所述算法集合包括至少一种特征处理算法;
所述计算机设备利用多个超参数搜索模型在第二预设时长内并行搜索所述多个不同的算法结构对应的超参数以及评价指标,所述算法结构对应的超参数包括所述算法结构中每个中间节点的超参数,每个算法结构对应的超参数以及评价指标由与所述算法结构对应的超参数搜索模型输出;
所述计算机设备根据各个算法结构对应的评价指标,从所述多个算法结构以及每个算法结构对应的超参数中,确定出目标算法结构以及所述目标算法结构对应的超参数,所述评价指标包括分类准确率、误检率、精确率、召回率、平均精确率、均方差中的任意一种或者多种;
所述计算机设备向所述终端发送所述目标算法结构以及所述目标算法结构对应的超参数。
2.根据权利要求1所述的方法,其特征在于,所述算法结构至少包括第一算法结构以及第二算法结构,所述第一算法结构与所述第二算法结构中包含相同的目标特征处理算法,所述方法还包括:所述计算机设备获取所述第一算法结构中目标特征处理算法的目标超参数;
当利用所述超参数搜索模型搜索所述第二算法结构对应的超参数时,所述计算机设备将所述目标超参数确定为所述第二算法结构中所述目标特征处理算法的初始化超参数,所述超参数搜索模型基于所述初始化超参数搜索所述第二算法结构中的目标特征处理算法的超参数。
3.根据权利要求1所述的方法,其特征在于,所述计算机设备利用多个超参数搜索模型并行搜索所述多个不同的算法结构对应的超参数,包括:所述计算机设备利用目标超参数搜索模型迭代搜索所述算法结构对应的超参数,所述目标超参数搜索模型为所述多个超参数搜索模型中的任意一个超参数搜索模型;
当所述目标超参数搜索模型的迭代搜索次数达到预设次数,且,所述算法结构的评价指标不高于预设值时,所述计算机设备停止对所述算法结构的迭代搜索。
4.根据权利要求1所述的方法,其特征在于,所述循环神经网络预先基于强化学习算法完成训练。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
所述计算机设备将所述多个算法结构对应的评价指标反馈至所述循环神经网络,以便利用所述循环神经网络在所述第一预设时长内搜索得到新的算法结构;
所述计算机设备利用所述超参数搜索模型在所述第二预设时长内搜索所述新的算法结构对应的超参数以及评价指标。
6.根据权利要求1所述的方法,其特征在于,所述超参数搜索模型基于网格搜索算法、随机搜索算法、遗传算法、粒子群优化算法、贝叶斯优化算法、基于序列模型的配置算法、树形结构Parzen估计算法以及Hyperband算法中的任意一种算法完成构建。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述特征处理算法为基于树模型的特征选择算法、独立成分分析算法、特征融合算法、主成分分析算法、基于核函数的主成分分析算法、蒙特卡洛变换算法、多项式特征生成算法、非监督学习的数据转化算法、基于统计指标的特征提取算法以及奇异值分解算法中的任意一种。
8.一种搜索装置,其特征在于,所述装置应用于服务器,所述搜索装置包括:
第一搜索模块,用于接收终端发送的算法结构的节点数量,利用循环神经网络在第一预设时长内搜索机器学习模型的算法结构,得到多个不同的算法结构,所述多个不同的算法结构具有相同数量的节点,每个算法结构的节点数量即为计算机设备获取的节点数量,每个算法结构中的中间节点为算法集合中的特征处理算法,所述算法集合包括至少一种特征处理算法;
第二搜索模块,用于利用多个超参数搜索模型在第二预设时长内并行搜索所述多个不同的算法结构对应的超参数以及评价指标,所述算法结构对应的超参数包括所述算法结构中每个中间节点的超参数,每个算法结构对应的超参数以及评价指标由与所述算法结构对应的超参数搜索模型输出;
第一确定模块,用于根据各个算法结构对应的评价指标,从所述多个算法结构以及每个算法结构对应的超参数中,确定出目标算法结构以及所述目标算法结构对应的超参数,所述评价指标包括分类准确率、误检率、精确率、召回率、平均精确率、均方差中的任意一种或者多种;并向所述终端发送所述目标算法结构以及所述目标算法结构对应的超参数。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至7任一项所述的搜索方法。
10.一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求
1至7任一项所述的搜索方法。