[发明专利]一种助力企业精细化运营的模型可解释性分析新方法

权利要求书

1.一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，该助力企业精细化运营的模型可解释性分析新方法包括以下步骤：

S1、企业按照具体的场景目标选择相应的入模指标及相匹配的模型算法构建初始的原始场景机器学习模型；

S2、利用预设的模型测试集对初始的原始场景机器学习模型进行效果验证，得到原始场景机器学习模型；

S3、利用原始场景机器学习模型对模型测试集进行模型推理预测，并输出该模型在测试集上的预测概率值；

S4、设置模型解释样本的圈选阈值，筛选模型解释样本；

S5、以回归树模型作为模型解释算法，并基于入模指标及预测概率值构建模型解释回归树模型；

S6、基于模型解释回归树模型对圈选测试集样本进行模型预测，输出该部分圈选测试集样本的模型解释回归树模型的拟合概率值；

S7、引入平均绝对误差MAE作为模型效果评估策略，并对模型解释回归树模型进行效果测评；

S8、输出最优版本的解释回归树模型的学习规则，并利用学习规则反向解释原始场景机器学习模型的机器学习逻辑。

2.根据权利要求1所述的一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，所述原始场景机器学习模型采用原始的建模数据集构建得到，且原始的建模数据集包括模型建模集及模型测试集；

其中，所述模型建模集用于构建初始的原始场景机器学习模型；

所述模型测试集用于初始的原始场景机器学习模型的效果评估及模型解释树回归算法的损失函数的构建。

3.根据权利要求1所述的一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，所述利用预设的模型测试集对初始的原始场景机器学习模型进行效果验证时的模型效果评估方法包括以下步骤：

构建模型预测混淆矩阵，并通过计算混淆矩阵的精准率、查全率以及F1_Score对模型性能进行定量评估。

4.根据权利要求3所述的一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，所述混淆矩阵的精准率的计算公式为：

式中，TP表示实际为正样本且预测也为正样本的用户数，FP表示实际为负样本而预测为正样本的用户数。

5.根据权利要求4所述的一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，所述查全率的计算公式为：

式中，FN表示实际为负样本而预测也为负样本的用户数。

6.根据权利要求5所述的一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，所述F1_Score的计算公式为：

式中，Precision表示混淆矩阵的精准率，Recall表示混淆矩阵的查全率。

7.根据权利要求1所述的一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，所述以回归树模型作为模型解释算法，并基于入模指标及预测概率值构建模型解释回归树模型包括以下步骤：

S51、选取原始场景机器学习模型的入模指标作为模型解释回归树模型的入模指标；

S52、选取原始场景机器学习模型在测试集上的预测概率值作为模型解释回归树模型的目标变量；

S53、以回归树模型作为模型解释算法，并结合入模指标及预测概率值构建模型解释回归树模型；

其中，所述回归树模型的结构由根节点、内部节点、各分支结构及叶节点组成，且每个所述叶节点中包含若干具有相同特征的样本用户。

8.根据权利要求7所述的一种助力企业精细化运营的模型可解释性分析新方法，其特征在于，所述回归树模型的构建包括以下步骤：

根据数据集上的所有特征，遍历每个特征下所有可能的取值或者切分点，并将数据集划分成两个部分；

分别计算两个部分的平方误差和，选择最小的平方误差对应的特征及分割点生成两个子节点；

对于所述两个子节点递归调用上述两个步骤，直到满足停止条件。