本公开涉及人工智能，具体涉及一种特征集选择方法、装置、电子设备及存储介质。
背景技术：
1、在机器学习和深度学习领域，模型的性能在很大程度上依赖于所使用的特征集。特征集携带了关于预测目标的重要信息。然而，并非所有的特征集都对预测结果有同等贡献，一些特征集可能是冗余的，甚至可能引入噪音，导致模型过拟合或泛化能力下降。
2、由此，在风电机组偏航故障检测场景中，如何从风电机组的初始样本集中确定用于对风电机组偏航故障检测进行训练的特征集，成为重点研究方向。
技术实现思路
1、本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本公开的目的在于提出一种特征集选择方法、装置、电子设备和存储介质，能够从风电机组的初始样本集中，确定用于对风电机组偏航故障检测模型进行训练的目标特征集，从而能够有效地满足风电机组偏航故障检测模型训练的特征集需求，提升特征集的生成效果。
3、为达到上述目的，本公开第一方面实施例提出的特征集选择方法，方法包括：
4、获取风电机组的初始样本集；
5、从初始样本集中确定与风电机组偏航故障检测场景所对应的第一特征集；
6、从第一特征集的多个第一特征中确定第二特征集，其中，第一特征集中第一特征的第一数量大于第二特征集中第二特征的第二数量，第二特征集属于目标特征集，目标特征集用于对风电机组偏航故障检测模型进行训练；
7、根据第一特征集和第二特征集，生成第三特征集；
8、根据初始样本集，第二特征集和第三特征集，生成目标特征集。
9、为达到上述目的，本公开第二方面实施例提出的特征集选择装置，装置包括：
10、获取模块，用于获取风电机组的初始样本集；
11、第一确定模块，用于从初始样本集中确定与风电机组偏航故障检测场景所对应的第一特征集；
12、第二确定模块，用于从第一特征集的多个第一特征中确定第二特征集，其中，第一特征集中第一特征的第一数量大于第二特征集中第二特征的第二数量，第二特征集属于目标特征集，目标特征集用于对风电机组偏航故障检测模型进行训练；
13、第一生成模块，用于根据第一特征集和第二特征集，生成第三特征集；
14、第二生成模块，用于根据初始样本集，第二特征集和第三特征集，生成目标特征集。
15、本公开第三方面实施例提出的电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如本公开第一方面实施例提出的特征集选择方法。
16、本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的特征集选择方法。
17、本公开第五方面实施例提出了一种计算机程序产品，当计算机程序产品中的指令由处理器执行时，执行如本公开第一方面实施例提出的特征集选择方法。
18、本公开提供的特征集选择方法、装置、电子设备和存储介质，至少存在以下有益效果：通过获取风电机组的初始样本集，再从初始样本集中确定与风电机组偏航故障检测场景所对应的第一特征集，再从第一特征集的多个第一特征中确定第二特征集，其中，第一特征集中第一特征的第一数量大于第二特征集中第二特征的第二数量，第二特征集属于目标特征集，目标特征集用于对风电机组偏航故障检测模型进行训练，再根据第一特征集和第二特征集，生成第三特征集，再根据初始样本集，第二特征集和第三特征集，生成目标特征集，由此，能够从风电机组的初始样本集中，确定用于对风电机组偏航故障检测模型进行训练的目标特征集，从而能够有效地满足风电机组偏航故障检测模型训练的特征集需求，提升特征集的生成效果。
19、本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
1.一种特征集选择方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述根据所述第一特征集和所述第二特征集，生成第三特征集，包括：
3.如权利要求2所述的方法，其特征在于，所述根据所述第四特征集和所述第二特征集，生成所述第三数量个所述第三特征集，包括：
4.如权利要求1所述的方法，其特征在于，所述根据所述初始样本集，所述第二特征集和所述第三特征集，生成目标特征集，包括：
5.如权利要求4所述的方法，其特征在于，所述根据所述候选风电机组偏航故障检测模型，所述第二特征集和所述第三特征集，生成所述目标特征集，包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述第一概率值，所述第二概率值和所述第三特征集，生成所述目标特征集，包括：
7.一种特征集选择装置，其特征在于，所述装置包括：
8.如权利要求7所述的装置，其特征在于，第一生成模块，还用于：
9.一种电子设备，其特征在于，包括：
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
