用于预测的稳定的局部可解释模型制造技术

本发明专利技术涉及用于预测的稳定的局部可解释模型。本文描述的示例提供了一种计算机实现的方法，其包括确定机器学习模型的内核宽度。该方法还包括使用内核宽度来构建局部可解释线性模型。该方法还包括计算局部可解释线性模型的特征的贡献和置信度。该方法还包括更新局部可解释线性模型以生成最终模型并计算最终模型的总体置信度。型的总体置信度。型的总体置信度。

【技术实现步骤摘要】
用于预测的稳定的局部可解释模型


[0001]本文描述的实施例一般地涉及机器学习，更具体地，涉及用于预测的稳定的局部可解释模型。

技术介绍

[0002]短语“机器学习”广泛地描述从数据中学习的电子系统的功能。机器学习系统、引擎和/或模块可以包括可训练的机器学习算法，该机器学习算法可被训练以学习当前未知的输入与输出之间的功能关系，并且所得到的机器学习模型可被用于执行与训练相关联的任务，诸如基于输入数据来预测输出。机器学习功能可以使用具有被训练以执行当前未知功能的能力的人工神经网络(ANN)来实现。在机器学习和认知科学中，ANN是由动物的生物神经网络(特别是大脑)所启发的一系列统计学习模型。ANN可以被用于估计或近似依赖于大量输入的系统和功能。

技术实现思路

[0003]在一个示例性实施例中，提供了一种用于预测的稳定的局部可解释模型的计算机实现的方法。所述方法包括确定机器学习模型的内核宽度。所述方法还包括使用所述内核宽度来构建局部可解释线性模型。所述方法还包括计算所述局部可解释线性模型的特征的贡献和置信度。所述方法还包括更新所述局部可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于评估机器学习模型的计算机实现的方法，所述方法包括：确定所述机器学习模型的内核宽度；使用所述内核宽度来构建局部可解释线性模型；计算所述局部可解释线性模型的特征的贡献和置信度；以及更新所述局部可解释线性模型以生成最终模型，并计算所述最终模型的总体置信度。2.根据权利要求1所述的计算机实现的方法，其中，确定所述机器学习模型的所述内核宽度包括：构建具有默认内核宽度值的默认局部模型；构建具有逐渐增大的内核宽度和逐渐减小的内核宽度的偏离局部模型，直至达到停止条件；以及至少部分地基于所述默认局部模型和所述偏离局部模型来选择最终的内核宽度。3.根据权利要求2所述的计算机实现的方法，其中，所述停止条件是最大迭代数量、满足收敛条件、或精度满足阈值中的至少一个。4.根据权利要求1所述的计算机实现的方法，其中，计算所述最终模型的所述总体置信度至少部分地基于所述局部可解释线性模型的所述特征的所述贡献和置信度。5.根据权利要求1所述的计算机实现的方法，还包括：计算所述局部可解释线性模型的附加特征的附加贡献和置信度。6.根据权利要求5所述的计算机实现的方法，其中，所述附加特征的所述附加贡献和置信度被用于计算所述最终模型的所述总体置信度。7.一种系统，包括：存储器，其包括计算机可读指令；处理设备，其用于执行所述计算机可读指令，所述计算机可读指令控制所述处理设备以执行用于评估机器学习模型的操作，所述操作包括：确定所述机器学习模型的内核宽度；使用所述内核宽度来构建局部可解释线性模型；计算所述局部可解释线性模型的特征的贡献和置信度；以及更新所述局部可解释线性模型以生成最终模型，并计算所述最终模型的总体置信度。8.根据权利要求7所述的系统，其中，确定所述机器学习模型的所述内核宽度包括：构建具有默认内核宽度值的默认局部模型；构建具有逐渐增大的内核宽度和逐渐减小的内核宽度的偏离局部模型，直至达到停止条件；以及至少部分地基于所述默认局部模型和所述偏离局部模型来选择最终的内核宽度。9.根据权利要求8所述的系统，其中，所述停止条件是最大迭代数量、满足收敛条件、或精度满足阈值中的至少一个。10.根据权利要求7所述的系统，其中，计算所述最终模型的所述总体置信度至少部分地基于所述局部可解释线性模型的所述特征的所述贡献和置信度。11.根据权利要求7所述的系统，所述操作还包括：计算所述局部可解释线性模型的附加特征的附加贡献和置信度。12.根据权利要求11所述的系统，其中，所述附加特征的所述附加贡献和置信度被用于
计算所述最终模型的所述总体置信度。13.一种包括计算机可读存储介质的计算机程序产品，所述计算机可读存储介质中包含程序指令，所述程序指令能够由处理器执行以使得所述处理器执行用于评估机器学习模型的操作，所述方法包括：确定所述机器学习模型的内核宽度；使用所述内核宽度来构建局部可解释线性模型；计算所述局部可解释线性模型的特征的贡献和置信度；以及更新所述局部...

【专利技术属性】
技术研发人员：马小明，韩四儿，张雪英，尉文沛，许静，许晶，高磊，张阿鹏，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：