[發明專利]一種助力企業精細化運營的模型可解釋性分析新方法

在審

• 申請號: 202211225312.3
• 申請日: 2022-10-09
• 公開（公告）號: CN115293827A
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 鮑鐘峻;吳小炎;朱學帥;趙濤
• 申請（專利權）人: 浩鯨云計算科技股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N5/04;G06N20/00
• 代理公司: 南京中盟科創知識產權代理事務所(特殊普通合伙) 32279
• 代理人: 孫麗君

1.一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，該助力企業精細化運營的模型可解釋性分析新方法包括以下步驟：

S1、企業按照具體的場景目標選擇相應的入模指標及相匹配的模型算法構建初始的原始場景機器學習模型；

S2、利用預設的模型測試集對初始的原始場景機器學習模型進行效果驗證，得到原始場景機器學習模型；

S3、利用原始場景機器學習模型對模型測試集進行模型推理預測，并輸出該模型在測試集上的預測概率值；

S4、設置模型解釋樣本的圈選閾值，篩選模型解釋樣本；

S5、以回歸樹模型作為模型解釋算法，并基于入模指標及預測概率值構建模型解釋回歸樹模型；

S6、基于模型解釋回歸樹模型對圈選測試集樣本進行模型預測，輸出該部分圈選測試集樣本的模型解釋回歸樹模型的擬合概率值；

S7、引入平均絕對誤差MAE作為模型效果評估策略，并對模型解釋回歸樹模型進行效果測評；

S8、輸出最優版本的解釋回歸樹模型的學習規則，并利用學習規則反向解釋原始場景機器學習模型的機器學習邏輯。

2.根據權利要求1所述的一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，所述原始場景機器學習模型采用原始的建模數據集構建得到，且原始的建模數據集包括模型建模集及模型測試集；

其中，所述模型建模集用于構建初始的原始場景機器學習模型；

所述模型測試集用于初始的原始場景機器學習模型的效果評估及模型解釋樹回歸算法的損失函數的構建。

3.根據權利要求1所述的一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，所述利用預設的模型測試集對初始的原始場景機器學習模型進行效果驗證時的模型效果評估方法包括以下步驟：

構建模型預測混淆矩陣，并通過計算混淆矩陣的精準率、查全率以及F1_Score對模型性能進行定量評估。

4.根據權利要求3所述的一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，所述混淆矩陣的精準率的計算公式為：

式中，TP表示實際為正樣本且預測也為正樣本的用戶數，FP表示實際為負樣本而預測為正樣本的用戶數。

5.根據權利要求4所述的一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，所述查全率的計算公式為：

式中，FN表示實際為負樣本而預測也為負樣本的用戶數。

6.根據權利要求5所述的一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，所述F1_Score的計算公式為：

式中，Precision表示混淆矩陣的精準率，Recall表示混淆矩陣的查全率。

7.根據權利要求1所述的一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，所述以回歸樹模型作為模型解釋算法，并基于入模指標及預測概率值構建模型解釋回歸樹模型包括以下步驟：

S51、選取原始場景機器學習模型的入模指標作為模型解釋回歸樹模型的入模指標；

S52、選取原始場景機器學習模型在測試集上的預測概率值作為模型解釋回歸樹模型的目標變量；

S53、以回歸樹模型作為模型解釋算法，并結合入模指標及預測概率值構建模型解釋回歸樹模型；

其中，所述回歸樹模型的結構由根節點、內部節點、各分支結構及葉節點組成，且每個所述葉節點中包含若干具有相同特征的樣本用戶。

8.根據權利要求7所述的一種助力企業精細化運營的模型可解釋性分析新方法，其特征在于，所述回歸樹模型的構建包括以下步驟：

根據數據集上的所有特征，遍歷每個特征下所有可能的取值或者切分點，并將數據集劃分成兩個部分；

分別計算兩個部分的平方誤差和，選擇最小的平方誤差對應的特征及分割點生成兩個子節點；

對于所述兩個子節點遞歸調用上述兩個步驟，直到滿足停止條件。