[发明专利]特征分析方法、装置、电子设备及可读存储介质

说明书

本公开的实施例提供了一种特征分析方法、装置、电子设备及可读存储介质，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。可以通过模型树的训练参数、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，确定节点的特征的贡献度，有助于提高特征分析的准确度。

技术领域

本公开的实施例涉及机器学习技术领域，尤其涉及一种特征分析方法、装置、电子设备及可读存储介质。

背景技术

在个性化推荐过程中，通常用到机器模型，例如模型树。机器模型通过特征样本进行训练之后可以用于预测，从而根据预测结果向用户进行个性化推荐。而特征样本中包含的特征会直接影响模型的训练速度和准确度，从而需要分析特征在模型中的有效性。

现有技术中，一种基于频率的特征分析方法将特征在模型树中用于分裂的相对次数的占比分析特征的有效性。例如，特征A在树1、树2和树3中分别发生2次分裂、1次分裂和3次分裂；那么特征A的权重为2+1+3＝6。特征A的频率为特征A的权重与所有特征的权重之和的比值，从而特征A的频率越大，代表特征A的有效性越好。

发明人对上述方案进行研究发现，上述特征的有效性分析的准确度较差。

发明内容

本公开的实施例提供一种特征分析方法、装置、电子设备及可读存储介质，以解决现有技术特征分析的上述问题。

根据本公开的实施例的第一方面，提供了一种特征分析方法，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。

根据本公开的实施例的第二方面，提供了一种特征分析装置，所述装置包括：

信息记录模块，用于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；

贡献度计算模块，用于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；

特征分析模块，用于根据所述节点对应的特征的贡献度对所述特征进行分析。

根据本公开的实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述特征分析方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述特征分析方法。