[发明专利]决策树的生成方法、装置、电子设备及程序产品

说明书

本公开提供的决策树的生成方法、装置、电子设备及程序产品，涉及深度学习技术；包括获取包括多个样本数据的样本总群，样本数据具有个体处理效应；针对每个待分裂的父节点，对父节点中的样本数据进行分类得到子节点；根据子节点中包括的样本数据的个体处理效应，以及父节点中包括的样本数据的个体处理效应，确定子节点与父节点之间的不纯度相对值；根据不纯度相对值，以及预设的不纯度减小量阈值，确定子节点是否有效。本公开提供的方案中，通过节点间不纯度相对值，再基于该值确定节点间不纯度变化情况，不会受到构建模型时标签取值范围的影响，也就无需在生成决策树时频繁的调整该阈值，能够提高决策树的生成效率。

技术领域

本公开涉及人工智能技术中的深度学习技术，尤其涉及一种决策树的生成方法、装置、电子设备及程序产品。

背景技术

因果推断模型能够学习因果关系，具体能够学习出“某事是(或可能是)其他事情的原因”这一结论，进而基于这一关系进行推理。比如，推断模型能够输出一个用户是营销敏感人群，另一用户是自然转换人群。

由于模型本身是个“黑盒子”，其具体推理过程对外不可见，导致用户无法确定模型的推理结果是否合理。为了解决这一技术问题，现有技术的方案中存在基于因果推断模型输出的结果构建决策树的方案。

在构建决策树时，需要设置参数，通过这些参数控制决策树的生成过程。而现有技术的方案中，由于不同因果推理模型输出的结果量纲不同，导致基于不同因果推理模型输出的结果构建决策树时，需要配置不同的参数，给用户带来较多的不便，且无法批量生成决策树。

发明内容

本公开提供了一种决策树的生成方法、装置、电子设备及程序产品，以更高效的生成决策树。

根据本公开的第一方面，提供了一种决策树的生成方法，所述决策树包括父节点和子节点；所述方法包括：

获取包括多个样本数据的样本总群，所述样本数据具有个体处理效应；其中，所述个体处理效应是因果推理模型对所述样本数据进行处理得到的，所述样本总群为一个待分裂的父节点；

针对每个待分裂的父节点，对所述父节点中的所述样本数据进行分类，得到子节点；

根据所述子节点中包括的样本数据的个体处理效应，以及所述父节点中包括的样本数据的个体处理效应，确定所述子节点与所述父节点之间的不纯度相对值；所述不纯度相对值用于表征所述子节点中的样本数据的不纯程度，相较于所述父节点中的样本数据的不纯程度的相对变化值；

根据所述不纯度相对值，以及预设的不纯度减小量阈值，确定所述子节点是否有效；

若有效，则保留所述子节点；否则，丢弃所述子节点；其中，保留的所述子节点为新的待分裂的父节点，并继续执行所述对所述父节点中的所述样本数据进行分类，得到子节点的步骤。

根据本公开的第二方面，提供了一种决策树的生成装置，所述决策树包括父节点和子节点；所述装置包括：

获取单元，用于获取包括多个样本数据的样本总群，所述样本数据具有个体处理效应；其中，所述个体处理效应是因果推理模型对所述样本数据进行处理得到的，所述样本总群为一个待分裂的父节点；

分裂单元，用于针对每个待分裂的父节点，对所述父节点中的所述样本数据进行分类，得到子节点；

不纯度确定单元，用于根据所述子节点中包括的样本数据的个体处理效应，以及所述父节点中包括的样本数据的个体处理效应，确定所述子节点与所述父节点之间的不纯度相对值；所述不纯度相对值用于表征所述子节点中的样本数据的不纯程度，相较于所述父节点中的样本数据的不纯程度的相对变化值；

判断单元，用于根据所述不纯度相对值，以及预设的不纯度减小量阈值，确定所述子节点是否有效；