[发明专利]基于局部线性化的复杂机器学习模型解释方法及装置

权利要求书

1.一种基于局部线性化的复杂机器学习模型解释方法，其特征在于，包括以下步骤：

采集样本集中任意一点作为样本点，并在所述样本点周围随机采样得到多个采样点，且根据原机器学习模型得到所述多个采样点的每个采样点的机器学习模型预测结果；

在表达空间中，获取所述样本点与所述每个采样点间的欧拉距离，以作为所述每个采样点的权重；

根据所述每个采样点的权重和线性模型得到待解释的机器学习模型和解释函数的拟合结果的差距，并得到所述解释函数的复杂度，以获取寻优问题；以及

优化求解所述寻优问题中使用正则化项惩罚因子的线性回归问题，并得到解释结果。

2.根据权利要求1所述的基于局部线性化的复杂机器学习模型解释方法，其特征在于，所述每个采样点的权重为：

Ψk=exp(-d(xi,xi(k))2σ2),]]>

其中，x_i为所述样本点，为所述多个采样点，σ为所有距离的标准差。

3.根据权利要求2所述的基于局部线性化的复杂机器学习模型解释方法，其特征在于，所述拟合结果的差距为：

Γ(f,g)=ΣkΨk·(f(xi(k))-g(xi(k)))2=ΣkΨk·(f(xi(k))-Σjβjxi,j(k))2,]]>

其中，f为所述待解释的机器学习模型，g为所述解释函数，Γ为所述拟合结果的差距；

所述解释函数的复杂度为：

Ω(g)=Σj|βj|,]]>

其中，Ω为所述复杂度。