[发明专利]特征分析方法、装置、电子设备及可读存储介质

权利要求书

1.一种特征分析方法，其特征在于，所述方法包括：

在对所述模型树的训练过程中，记录所述模型树的训练参数、每个叶子节点的预测得分和属于每个叶子节点的样本的预设二阶导数，所述预设二阶导数为预设损失函数对所述预测得分的二阶导数；

根据所述模型树的训练参数、每个叶子节点的预测得分和属于每个叶子节点的样本的预设二阶导数，计算每个节点对应的特征的贡献度；

根据所述节点对应的特征的贡献度对所述特征进行分析。

2.根据权利要求1所述的方法，其特征在于，所述根据所述模型树的训练参数、每个叶子节点的预测得分和属于每个叶子节点的样本的预设二阶导数，计算每个节点对应的特征的贡献度的步骤，包括：

根据所述模型树的训练参数、所述叶子节点的预测得分和属于所述叶子节点的样本的预设二阶导数，计算每个节点的权重；

针对每个节点对应的特征，分别计算所述节点的权重与所述节点的每个子节点的权重之差，得到所述特征的不同取值对应的贡献度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述模型树的训练参数、所述叶子节点的预测得分和属于所述叶子节点的样本的预设二阶导数，计算每个节点的权重的步骤，包括：

针对每个叶子节点，根据所述模型树的训练参数、所述叶子节点的预测得分和属于所述叶子节点的样本的预设二阶导数，计算所述叶子节点的一阶导数；

从所述模型树的叶子节点开始，针对属于同一父节点的子节点，计算所述子节点的一阶导数之和得到所述父节点的一阶导数；

根据每个节点的一阶导数、所述模型树的训练参数，确定每个节点的权重。

4.根据权利要求3所述的方法，其中，所述训练参数至少包括：所述预设学习率、二阶正则惩罚项参数，所述针对每个叶子节点，根据所述模型树的训练参数、所述叶子节点的预测得分和属于所述叶子节点的样本的预设二阶导数，计算所述叶子节点的一阶导数的步骤，包括：

根据如下公式计算得到叶子节点的一阶导数：

其中，G(x)为叶子节点x的一阶导数，Δ为预设学习率，λ为二阶正则惩罚项参数，w(x)为叶子节点x的预测得分，D(x_i)为属于叶子节点x的第i个样本的预设二阶导数，M为属于叶子节点x的样本数目。

5.根据权利要求4所述的方法，其中，所述根据每个节点的一阶导数、所述模型树的训练参数，确定每个节点的权重的步骤，包括：

根据如下公式计算每个节点的权重：

其中，L(x)为节点x的权重，G(x)为节点x的一阶导数。

6.根据权利要求1至5其中任一项所述的方法，其中，所述根据所述节点对应的特征的贡献度对所述特征进行分析的步骤，包括：

对于所述节点对应的特征的预设取值区间，计算所述取值区间内的特征的贡献度的平均值；

若所述平均值的绝对值大于预设第一阈值，则确定所述特征在所述取值区间内具有区分性。

7.根据权利要求1至5其中任一项所述的方法，其中，所述根据所述节点对应的特征的贡献度对所述特征进行分析的步骤，包括：

确定所述节点对应的特征的贡献度的极值；

若所述极值的绝对值大于预设第二阈值，则确定所述特征具有区分性。

8.根据权利要求1至5其中任一项所述的方法，其中，所述根据所述节点对应的特征的贡献度对所述特征进行分析的步骤，包括：

确定所述节点对应的特征的贡献度的众数；

分析所述众数对应的特征取值对预测得分的影响。