一种深度学习模型个体预测解释方法技术

一种深度学习模型个体预测解释方法，涉及数据建模后对个体预测结果的解释与分析。包括步骤：S1，对原始个体样本数据进行清洗和预处理；S2,将个体样本数据放入深度学习模型中建模，得到预测模型y

【技术实现步骤摘要】
一种深度学习模型个体预测解释方法
本专利技术涉及数据分析领域，具体涉及数据建模后对个体预测结果的解释与分析。
技术介绍
数据建模是数据分析中重要的一个环节，建立高精度的预测模型能够有效提升决策的正确性。目前随着人工智能领域的不断发展，越来越多企业、高校和个体选用深度学习模型进行高精度的预测。然而深度学习模型由于其内部结构过于复杂，针对模型预测结果的解释方法仅限于全局解释，即通过“特征重要性”指标来反映每个特征变量对模型整体的贡献程度。但该方法无法对个体预测结果进行说明，无法计算并反映出每个特征变量对个体结果的贡献程度，从而使得模型预测透明性和预测准确性被限制。
技术实现思路
本专利技术的目的是针对现有深度学习模型对个体预测缺乏解释性的问题，提出一种深度学习模型个体预测解释方法。该方法是一种灵活性极高的模型事后解析方法，通过构建线性模型进行局部拟合，能够针对深度学习模型的个体预测结果进行解释，计算出每个特征对个体预测结果的贡献度，从而提升个体预测的可信度和精确性。为了解决本专利技术所提出的问题，采用的技术方案为：一种深本文档来自技高网...

【技术保护点】
1.一种深度学习模型个体预测解释方法，其特征在于，包括以下步骤：/nS1，对个体样本数据进行清洗和预处理；对数据进行一致性检查，删除错误数据或无效数据，并进行缺失值填充；将分类变量转化为数值型变量；/nS2，将个体样本数据放入深度学习模型中建模，得到预测模型y

【技术特征摘要】
1.一种深度学习模型个体预测解释方法，其特征在于，包括以下步骤：
S1，对个体样本数据进行清洗和预处理；对数据进行一致性检查，删除错误数据或无效数据，并进行缺失值填充；将分类变量转化为数值型变量；
S2，将个体样本数据放入深度学习模型中建模，得到预测模型y1＝f(x)；
S3，选取一个待解释个体样本，获取该样本取值x*，并计算出预测模型对该样本的预测值
S4，将x*作为解释变量、作为响应变量，运用本方法输出一个拟合的可解释模型y2＝g(x)；
S5，通过分析可解释模型y2＝g(x)的参数，获知该目标样本中每个特征对结果的贡献程度：若参数为正，则表示该特征对个体预测结果输出值有增益作用；若参数为负，则表示该特征对个体预测结果输出值有消减作用；参数绝对值越大，该特征对个体预测结果的影响越大；由此，作为深度学习模型对个体预测的解释方法。


2.根据权利要求1所述的一种深度学习模型个体预测解释方法，其特征在于，所述步骤S4的方法包括以下步骤：
1)在目标样本x*的一个邻域(-3σ，3σ)(其中σ为总体方差)产生一些随机样本；对于连续性变量，在目标样本x*的邻域内使用标准正态分布产生-系列新的指定个数的随机样本Z＝{z1，z2，z3，...，zn}，其中n为样本量；对于离散型变量，在目标样本x*的邻域内根据其本身特征分布进行随机取样；
2)给新生成的样本打标签：将新生成样本点Z，放入已训练出的预测模型...

【专利技术属性】
技术研发人员：孙兆悦，
申请(专利权)人：深圳索信达数据技术有限公司，
类型：发明
国别省市：广东;44