本方案涉及数据处理及人工智能领域，尤其涉及一种能够针对多模型进行同步训练的方法。
背景技术：
1、随着大数据和人工智能技术的迅速发展，越来越多的企业、医院、教育、金融等领域开始收集、存储和分析大量的表格数据。这些数据通常包含大量的结构化信息，例如企业指标数据、企业营销数据、医疗病历数据、学生成绩数据等，这些数据中蕴含着很多有价值的信息和洞察，可通过历史数据做一定的预测效果。然而，将这些数据转化为有用的信息并作出合理的决策需要一定的技术和工具支持。机器学习技术可以从大量的数据中自动学习并提取隐藏在其中的规律和模式，并产生可靠的预测结果和决策支持。机器学习模型的性能和效果往往受到许多因素的影响，例如超参数的选择、特征工程的质量、数据预处理的方法等。现有技术操作过程中，机器学习需要手动选择和调整不同的机器学习模型的超参数，需要进行繁琐的数据预处理和特征工程，难以找到最优的模型组合进行集成学习等。这些问题都增加了使用者的工作负担，降低了机器学习模型的预测准确率和可靠性。
2、针对以上问题，开发自动机器学习模型融合与模型分析报表生成系统可以自动化的处理流程，无需手动选择和调整多个机器学习模型的超参数，可以对结构化数据表格进行分析，进行预处理和特征工程，节省了使用者的时间和劳力成本；系统支持自动进行多个机器学习模型的综合训练，系统会根据训练后生成的分析指标中选取验证集与测试集的得分，模型训练时间，预测时间作为权重自动计算出最佳推荐模型，提高了预测准确度和可靠性；同时，该系统可以生成详细的分析报表，帮助用户更好地评估模型效果和分析预测结果，节省了用户的时间和劳力成本，提高了工作效率。
技术实现思路
1、为此，需要提供一种能够针对不同类型的数据进行人工智能学习模型训练的技术方案，可以将不同人工智能学习模型处理的表现进行分析并生成性能指标。
2、为实现上述目的，发明人提供了一种人工智能模型综合训练方法，包括如下步骤：获取第一数据信息，将所述第一数据信息根据预设的第一比例分为第一训练集和预设的第二比例的第一测试集，获取目标字段信息，调用第一人工智能模型集，所述第一人工智能模型集包括2个以上的人工智能模型，将所述第一训练集分别输入第一人工智能模型集中的每个人工智能模型，针对所述目标字段信息进行训练；再将训练好的人工智能模型用于处理第一测试集，得到针对所述目标字段信息的处理结果，分析每个人工智能模型处理第一测试集的表现并生成性能指标，展示所述性能指标。
3、本申请的一些实施例中，包括如下步骤，
4、选取准确率高的排名预设个数的人工智能模型，再根据每个人工智能模型的训练用时及测试用时加权计算每个人工智能模型的评分。
5、本申请的一些实施例中，所述性能指标包括：
6、准确率、召回率、训练用时、测试用时中的一种或几种。
7、本申请的一些实施例中，还包括步骤：
8、接收用户对于第一人工智能模型的选取操作，
9、接收用户对于第一人工智能模型的调参操作，将调参后的第一人工智能模型处理测试集的表现生成性能指标并展示。
10、本申请的一些实施例中，还包括步骤，将所述第一数据信息根据预设的第三比例分为第一验证集，将训练好的人工智能模型用于处理第一验证集，得到针对所述目标字段信息的处理结果，分析每个人工智能模型处理第一验证集的表现并生成性能指标，展示人工智能模型处理第一验证集的性能指标。
11、本申请的一些实施例中，还包括步骤，
12、选取处理第一验证集准确率高的排名预设个数的人工智能模型，再根据每个人工智能模型处理第一验证集的训练用时及测试用时加权计算每个人工智能模型的评分。
13、一种人工智能模型综合训练存储介质，存储有计算机程序，所述计算机程序在被运行时执行包括如下步骤：
14、获取第一数据信息，将所述第一数据信息根据预设的第一比例分为第一训练集和预设的第二比例的第一测试集，获取目标字段信息，调用第一人工智能模型集，所述第一人工智能模型集包括2个以上的人工智能模型，将所述第一训练集分别输入第一人工智能模型集中的每个人工智能模型，针对所述目标字段信息进行训练；再将训练好的人工智能模型用于处理第一测试集，得到针对所述目标字段信息的处理结果，分析每个人工智能模型处理第一测试集的表现并生成性能指标，展示所述性能指标。
15、本申请的一些实施例中，所述计算机程序在被运行时执行上述的人工智能模型综合训练方法。
16、一种人工智能模型综合训练设备，包括如上述的存储介质。
17、一种人工智能模型综合训练装置，包括：
18、数据处理模块，所述数据处理模块用于获取第一数据信息，将所述第一数据信息根据预设的第一比例分为第一训练集和预设的第二比例的第一测试集，
19、人工智能模块，所述人工智能模块用于获取目标字段信息，调用第一人工智能模型集，所述第一人工智能模型集包括2个以上的人工智能模型，将所述第一训练集分别输入第一人工智能模型集中的每个人工智能模型，针对所述目标字段信息进行训练；再将训练好的人工智能模型用于处理第一测试集，得到针对所述目标字段信息的处理结果，
20、分析模块，所述分析模块用于分析每个人工智能模型处理第一测试集的表现并生成性能指标，展示所述性能指标。
21、区别于现有技术，上述技术方案能够在收到需要处理的数据集时都能够进行综合测试，自动将数据集分出训练集和测试集进行处理，直接分析不同的人工智能模型针对特定数据集的性能表现，能够有效辅助用户进行决策。
22、上述
技术实现要素：
相关记载仅是本申请技术方案的概述，为了让本领域普通技术人员能够更清楚地了解本申请的技术方案，进而可以依据说明书的文字及附图记载的内容予以实施，并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解，以下结合本申请的具体实施方式及附图进行说明。
1.一种人工智能模型综合训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的人工智能模型综合训练方法，其特征在于，包括如下步骤，
3.根据权利要求1所述的人工智能模型综合训练方法，其特征在于，所述性能指标包括：
4.据权利要求1所述的人工智能模型综合训练方法，其特征在于，还包括步骤：
5.根据权利要求1所述的人工智能模型综合训练方法，其特征在于，还包括步骤，将所述第一数据信息根据预设的第三比例分为第一验证集，将训练好的人工智能模型用于处理第一验证集，得到针对所述目标字段信息的处理结果，分析每个人工智能模型处理第一验证集的表现并生成性能指标，展示人工智能模型处理第一验证集的性能指标。
6.根据权利要求5所述的人工智能模型综合训练方法，其特征在于，还包括步骤，
7.一种人工智能模型综合训练存储介质，其特征在于，存储有计算机程序，所述计算机程序在被运行时执行包括如下步骤：
8.根据权利要求7所述的一种人工智能模型综合训练存储介质，其特征在于，所述计算机程序在被运行时执行如权利要求2-6其中一项所述的人工智能模型综合训练方法。
9.一种人工智能模型综合训练设备，其特征在于，包括如权利要求7-8其中一项所述的存储介质。
10.一种人工智能模型综合训练装置，其特征在于，包括：
