一种模型解释方法、装置、电子设备以及存储介质制造方法及图纸

本发明专利技术公开了一种模型解释方法、装置、电子设备以及存储介质。其中，该方法包括：通过金融产品营销模型，得到与预测样本对应的预测结果；通过机器学习模型解释工具，生成与所述金融产品营销模型匹配的影响力全局图和至少一张影响力趋势图，以及与所述预测样本匹配的至少一张特征解释图以及至少一张特征影响力图；根据影响力全局图、影响力趋势图、特征解释图以及特征影响力图，生成模型解释报告，以使用户根据预测结果和模型解释报告进行金融产品营销。本技术方案，通过利用机器学习模型解释技术，不依赖于模型类型，自动化生成模型的解释信息，提高模型解释报告生成效率。提高模型解释报告生成效率。提高模型解释报告生成效率。

【技术实现步骤摘要】
一种模型解释方法、装置、电子设备以及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种模型解释方法、装置、电子设备以及存储介质。

技术介绍

[0002]在金融行业数字化转型的过程中，机器学习算法和人工智能模型的应用越来越广泛。机器学习模型在实际应用中，先用海量样本数据训练模型，再由训练完成的模型根据学习经验推算出结果，最后以模型输出的结果作为决策依据。例如，金融产品营销模型可以根据输入的用户信息，输出用户的信用评分、营销成功概率等。
[0003]机器学习模型的准确性和自动化程度更高，但是，其输出的结果缺乏可追溯性，决策过程对于用户来说往往过于抽象，难以理解。同时，机器学习模型的类型多样，例如机器学习模型可以是基于逻辑回归、随机森林以及XGBoost等算法，因此，亟需一种不依赖于模型类型的模型解释方法，以便用户更充分的使用模型。

技术实现思路

[0004]本专利技术提供了一种模型解释方法、装置、电子设备以及存储介质，以实现不依赖于模型类型，自动化生成模型的解释信息。
[0005]第一方面，本专利技术实施例提供了一种模型解释方法，该方法包括：
[0006]通过金融产品营销模型，得到与预测样本对应的预测结果；
[0007]通过机器学习模型解释工具，生成与所述金融产品营销模型匹配的影响力全局图和至少一张影响力趋势图，以及与所述预测样本匹配的至少一张特征解释图以及至少一张特征影响力图；
[0008]根据影响力全局图、影响力趋势图、特征解释图以及特征影响力图，生成模型解释报告，以使用户根据预测结果和模型解释报告进行金融产品营销。
[0009]第二方面，本专利技术实施例还提供了一种模型解释装置，该装置包括：
[0010]预测结果获取模块，用于通过金融产品营销模型，得到与预测样本对应的预测结果；
[0011]模型解释模块，用于通过机器学习模型解释工具，生成与所述金融产品营销模型匹配的影响力全局图和至少一张影响力趋势图，以及与所述预测样本匹配的至少一张特征解释图以及至少一张特征影响力图；
[0012]模型解释报告生成模块，根据影响力全局图、影响力趋势图、特征解释图以及特征影响力图，生成模型解释报告，以使用户根据预测结果和模型解释报告进行金融产品营销。
[0013]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术实施例中任一所述的模型解释方法。
[0014]第四方面，本专利技术实施例还提供了一种存储计算机可执行指令的存储介质，所述
计算机可执行指令在由计算机处理器执行时用于执行如本专利技术实施例中任一所述的模型解释方法。
[0015]本专利技术实施例的技术方案，通过利用机器学习模型解释技术，不依赖于模型类型，自动化生成模型的解释信息，提高模型解释报告生成效率。
[0016]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0017]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术实施例一提供的一种模型解释方法的流程图；
[0019]图2是本专利技术实施例一提供的一种影响力全局图；
[0020]图3是本专利技术实施例一提供的一种对特征月日均资产管理规模的特征解释图；
[0021]图4是本专利技术实施例一提供的一种特征影响力图；
[0022]图5是本专利技术实施例一提供的另一种特征影响力图；
[0023]图6是本专利技术实施例二提供的一种模型解释方法的流程图；
[0024]图7是本专利技术实施例二提供的一种对特征月日均资产管理规模的影响力趋势图；
[0025]图8是本专利技术实施例三提供的一种模型解释装置的结构示意图；
[0026]图9是本专利技术实施例四提供的一种电子设备的结构示意图。
具体实施方式
[0027]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0028]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0029]实施例一
[0030]图1为本专利技术实施例一提供了一种模型解释方法的流程图，本实施例可适用于生成金融产品营销模型的模型解释报告的情况，该方法可以由模型解释装置来执行，该模型解释装置可以采用硬件和/或软件的形式实现，该模型解释装置可配置于具有数据处理能
力的电子设备中。
[0031]如图1所示，该方法包括：
[0032]S110、通过金融产品营销模型，得到与预测样本对应的预测结果；
[0033]其中，金融产品营销模型可以是通过数据挖掘算法的机器学习模型训练得到的，具体可以是逻辑回归、随机森林、XGBoost等，本申请对此不做限定。
[0034]预测样本可以是一些与预测对象对应的资产信息，如预测对象的个人资产，负债情况等，本申请对此不做限定。将预测样本输入金融产品营销模型中，模型对预测样本进行处理后得到与预测样本对应的预测结果，预测结果可以是营销成功概率或个人信用评级等，本申请对此不做限定。
[0035]S120、通过机器学习模型解释工具，生成与所述金融产品营销模型匹配的影响力全局图和至少一张影响力趋势图，以及与所述预测样本匹配的至少一张特征解释图以及至少一张特征影响力图；
[0036]其中，机器学习模型解释工具可以是使用模型无关方法的机器学习模型解释工具，模型无关方法的是不依赖于特定模型类型的模型可解释方法，相比于模型相关方法，可以应用到任何机器学习模型中。
[0037]本实施例采用模型无关方法，相比传统方法极大地提高了解释工具通用性和运算效率，建立模型的可信度和透明度，建立模型信任和帮助用户做出更好的营销决策。
[0038]本实施例优选机器学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型解释方法，其特征在于，包括：通过金融产品营销模型，得到与预测样本对应的预测结果；通过机器学习模型解释工具，生成与所述金融产品营销模型匹配的影响力全局图和至少一张影响力趋势图，以及与所述预测样本匹配的至少一张特征解释图以及至少一张特征影响力图；根据影响力全局图、影响力趋势图、特征解释图以及特征影响力图，生成模型解释报告，以使用户根据预测结果和模型解释报告进行金融产品营销。2.根据权利要求1所述的方法，其特征在于，所述影响力全局图，用于表示金融产品营销模型的各特征，随特征值相对值的变化而对预测结果的影响力变化。3.根据权利要求1所述的方法，其特征在于，在通过金融产品营销模型，得到与预测样本对应的预测结果之前，还包括：在金融产品营销模型的各特征中，确定目标特征；通过机器学习模型解释工具，生成与所述金融产品营销模型匹配的至少一张影响力趋势图，包括：通过机器学习模型解释工具，分别生成与所述金融产品营销模型的目标特征对应的影响力趋势图。4.根据权利要求3所述的方法，其特征在于，所述影响力趋势图，用于表示目标特征对预测结果的影响力，随目标特征的特征值变化的趋势。5.根据权利要求1所述的方法，其特征在于，所述特征解释图，用于表示金融产品营销模型对预测样本进行预测得到预测结果的过程中，目标特征对预测结果的影响力，随目标特征的特征值变化的趋势。6.根据权利要求1所述的方法，其特征在于，所述特征影响力图，用于表示金融产品营销模型对预测样本进...

【专利技术属性】
技术研发人员：王令则，刘惠民，孙琳，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：