[发明专利]训练数据集的贡献度计算方法、装置、设备及存储介质

权利要求书

1.一种训练数据集的贡献度计算方法，其特征在于，所述训练数据集的贡献度计算方法包括以下步骤：

获取训练机器学习模型的各训练数据集；

计算所述训练数据集中各个特征的沙普利可加性模型解释方法SHAP目标值；

根据所述训练数据集中各个特征的SHAP目标值计算所述训练数据集的贡献度。

2.如权利要求1所述的训练数据集的贡献度计算方法，其特征在于，所述计算所述训练数据集中各个特征的SHAP目标值的步骤包括：

计算所述训练数据集中各个特征对应的SHAP值，计算各个特征对应的SHAP值的绝对值，得到各个特征对应的SHAP绝对值；

将所述训练数据集中各个特征确定为目标特征，根据所述目标特征在不同训练数据集中的SHAP绝对值得到所述目标特征对应的SHAP目标值。

3.如权利要求2所述的训练数据集的贡献度计算方法，其特征在于，所述根据所述目标特征在不同训练数据集中的SHAP绝对值得到所述目标特征对应的SHAP目标值的步骤包括：

确定所述目标特征在不同训练数据集中的SHAP绝对值，计算所述目标特征在不同训练数据集中SHAP绝对值对应的SHAP平均值；

将所述SHAP平均值确定为所述目标特征对应的SHAP目标值。

4.如权利要求2所述的训练数据集的贡献度计算方法，其特征在于，所述计算所述训练数据集中各个特征对应的SHAP值的步骤包括：

计算所述训练数据集中各个特征对应的边际收益期望；

根据所述边际收益期望计算各所述边际收益期望对应特征的SHAP值，以得到所述训练数据集中各个特征对应的SHAP值。

5.如权利要求1所述的训练数据集的贡献度计算方法，其特征在于，所述根据所述训练数据集中各个特征的SHAP目标值计算所述训练数据集的贡献度的步骤包括：

确定所述训练数据集中各个特征的SHAP目标值，以及确定各个特征所在训练数据集的数据集个数；

根据所述训练数据集中各个特征对应的所述SHAP目标值和所述数据集个数，计算所述训练数据集的贡献度。

6.如权利要求5所述的训练数据集的贡献度计算方法，其特征在于，所述根据所述训练数据集中各个特征对应的所述SHAP目标值和所述数据集个数，计算所述训练数据集的贡献度的步骤包括：

计算所述训练数据集中各个特征对应的所述SHAP目标值与所述数据集个数之间的商值；

将所述训练数据集中各个特征对应商值相加，得到所述训练数据集的贡献度。

7.如权利要求1至6任一项所述的训练数据集的贡献度计算方法，其特征在于，所述根据所述训练数据集中各个特征的SHAP目标值计算所述训练数据集的贡献度的步骤之后，还包括：

根据各训练数据集的贡献度选择训练所述机器学习模型的目标训练数据集；

将所述目标训练数据集输入所述机器学习模型中，以训练所述机器学习模型。

8.一种训练数据集的贡献度计算装置，其特征在于，所述训练数据集的贡献度计算装置包括：

获取模块，用于获取训练机器学习模型的各训练数据集；

计算模块，用于计算所述训练数据集中各个特征的沙普利可加性模型解释方法SHAP目标值；根据所述训练数据集中各个特征的SHAP目标值计算所述训练数据集的贡献度。

9.一种训练数据集的贡献度计算设备，其特征在于，所述训练数据集的贡献度计算设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的训练数据集的贡献度计算程序，所述训练数据集的贡献度计算程序被所述处理器执行时实现如权利要求1至7任一项中所述的训练数据集的贡献度计算方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有训练数据集的贡献度计算程序，所述训练数据集的贡献度计算程序被处理器执行时实现如权利要求1至7任一项所述的训练数据集的贡献度计算方法的步骤。