树形机器学习模型可视化方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种树形机器学习模型可视化方法、装置、电子设备及存储介质，涉及机器学习技术领域。所述方法包括：获取模型文件；提取所述模型文件的树状结构数据，并将所述树状结构数据组成指定Json格式数据，所述指定Json格式数据中包括所述树状结构数据的节点数据，所述节点数据包括每个节点是否为叶子结点、节点名称以及节点规则；通过D3.js将所述指定Json格式数据在页面进行树形展示和渲染。该方法可以对训练出的模型进行树形结构的解析，形成Json，并使用D3对Json进行加载，把模型进行可视化，以更好地理解模型，提升模型的可解释性。

【技术实现步骤摘要】
树形机器学习模型可视化方法、装置、电子设备及存储介质
本申请涉及机器学习
，具体而言，涉及一种树形机器学习模型可视化方法、装置、电子设备及存储介质。
技术介绍
得益于人工智能技术的快速发展，基于人工智能技术可以解决很多实际的应用问题，如金融领域的风险评估、用户信用评分、用户还款意愿预测、用户资金充裕度预测、用户风险预测和用户疑似代偿识别等。用机器学习算法便可以很好的解决这些应用问题，机器学习算法有很多种，目前在各个领域表现比较好的算法主要是树状模型，如决策树、随机森林、GBDT、Xgboost和Catboost等。这些模型的优势在于其既可以用于回归，也可以用于分类，不需要特征缩放，而且具有比较好的可解释性。可视化的手段不仅是理解模型的好办法，也是向其他人介绍你的模型的运作机制的有利工具。但是如何对树状模型做可视化分析，以便于更多人理解树状模型做决策的机理是一个很有意义的课题。具体地，决策树、随机森林、Xgboost、CatBoost、GBDT模型是最常用的树形机器学习模型，因为这些模型不是黑盒模型，所以它们是可以通过可视化进行理解本文档来自技高网...

【技术保护点】
1.一种树形机器学习模型可视化方法，其特征在于，所述方法包括：/n获取模型文件；/n提取所述模型文件的树状结构数据，并将所述树状结构数据组成指定Json格式数据，所述指定Json格式数据中包括所述树状结构数据的节点数据，所述节点数据包括每个节点是否为叶子结点、节点名称以及节点规则；/n通过D3.js将所述指定Json格式数据在页面进行树形展示和渲染。/n

【技术特征摘要】
1.一种树形机器学习模型可视化方法，其特征在于，所述方法包括：
获取模型文件；
提取所述模型文件的树状结构数据，并将所述树状结构数据组成指定Json格式数据，所述指定Json格式数据中包括所述树状结构数据的节点数据，所述节点数据包括每个节点是否为叶子结点、节点名称以及节点规则；
通过D3.js将所述指定Json格式数据在页面进行树形展示和渲染。


2.根据权利要求1所述的方法，其特征在于，所述获取模型文件，包括：
获取Csv格式的模型训练数据；
根据模型类型设置模型参数；
基于所述模型训练数据和所述模型参数进行模型训练，以获得所述模型文件。


3.根据权利要求2所述的方法，其特征在于，所述基于所述模型训练数据和所述模型参数进行模型训练，包括：
利用Python的文件读取函数read_csv读取所述模型训练数据；
将所述模型训练数据转换为dataFrame格式数据，并提取所述dataFrame格式数据中的特征X和标签列Y；
获取所述模型参数，基于所述模型参数构建模型；
将所述特征X和所述标签列Y代入model.fit函数对所述模型进行训练。


4.根据权利要求1所述的方法，其特征在于，所述提取所述模型文件的树状结构数据，包括：
使用model.estimators_获取所述模型文件中模型的树列表；
基于所述树列表，采用递归方式对所述模型中的每个树进行解析，以获得模型数据，所述模型数据包括树信息、特征、标签和/或树的索引；
将所述模型数据组装为所述树状结构数据。


5.根据权利要求1所述的方法，其特征在于，所述通过D3.js将所述指定Json格式数据在...

【专利技术属性】
技术研发人员：王小东，吕文勇，周智杰，杨军，赵小诣，
申请(专利权)人：成都新希望金融信息有限公司，
类型：发明
国别省市：四川;51