一种基于Lime算法的时序回归模型的局部解释方法技术

本发明专利技术公开了一种基于Lime算法的时序回归模型的局部解释方法，属于机器学习技术领域。包括：获取业务场景下的时序数据集和标签，所述时序数据集中的时序数据为多特征维度数据；利用业务场景下的时序数据集训练时序数据回归模型，训练后的时序数据回归模型能够根据输入的时序数据输出预测结果，并生成针对预测结果的解释；所述的生成针对预测结果的解释是指生成对预测结果影响靠前的子特征，以及生成对预测结果影响最大的特征；绘制影响最大的特征在各时间间隔下对预测结果产生影响的正负相关折线图。本发明专利技术能够实现对时间序列数据的解释分析，得到对预测结果影响最大的时间段及其特征，可用于指导调节对应业务场景下的生产参数。

【技术实现步骤摘要】

本专利技术属于机器学习，尤其涉及一种基于lime算法的时序回归模型的局部解释方法。

技术介绍

1、近年来，人们对于机器学习预测提出了更高的要求，不但要求较高的预测精度，模型的可解释性也至关重要，可解释能够帮助理解各个特征是如何影响预测结果的进而调节参数，对于需要调参控制良率的工业界可解释机器学习更加重要。

2、很多可以解释机器学习模型预测的方法被提出，包括permutation featureimportance,partial dependency plots,individual conditional expectation,localinterpretable model-agnostic explanation(lime),and shapley additiveexplanation(shap)等。然而，上述方法目前仍大都局限于对没有添加时间维度的数据进行可解释分析，无法实现对时序数据回归模型的预测结果的解释。

技术实现思路

1、针对上述问题，本专利技术提出一种基于lime算法的时序回本文档来自技高网...

【技术保护点】

1.一种基于Lime算法的时序回归模型的局部解释方法，其特征在于，包括：

2.根据权利要求1所述的基于Lime算法的时序回归模型的局部解释方法，其特征在于，所述的生成对预测结果影响靠前的子特征，以及生成对预测结果影响最大的特征，包括：

3.根据权利要求2所述的基于Lime算法的时序回归模型的局部解释方法，其特征在于，所述步骤2)包括：

4.根据权利要求2所述的基于Lime算法的时序回归模型的局部解释方法，其特征在于，所述步骤3)中，拟合解释模型时所需的所述邻域数据的标签由训练后的时序数据回归模型生成。

5.根据权利要求2或4所述的基于Lim...

【技术特征摘要】

1.一种基于lime算法的时序回归模型的局部解释方法，其特征在于，包括：

2.根据权利要求1所述的基于lime算法的时序回归模型的局部解释方法，其特征在于，所述的生成对预测结果影响靠前的子特征，以及生成对预测结果影响最大的特征，包括：

3.根据权利要求2所述的基于lime算法的时序回归模型的局部解释方法，其特征在于，所述步骤2)包括：

4.根据权利要求2所述的基于lime算法的时序回归模型的局部解释方法，其特征在于，所述步骤3)中，拟合解释模型时所需的所述邻域数据的标签由训练后的时序数据回归模型生成。

5.根据权利要求2或4所述的基于lime算法的时序回归模型的局部解释方法，其特征在于，所述解释模型为线...

【专利技术属性】
技术研发人员：陈一宁，陈方科，史雨萌，高大为，
申请(专利权)人：浙江大学，
类型：发明
国别省市：