[发明专利]特征分析方法、装置、计算机设备和存储介质

说明书

本申请涉及一种特征分析方法、装置、计算机设备和存储介质。所述方法包括：获取预设数据集；将所述预设数据集中各个预设数据的输入特征输入目标机器学习模型中，得到各个所述预设数据的预测输出；基于各个所述预设数据的预测输出确定各个所述预设数据各自的输入特征的特征敏感度；基于各个所述特征敏感度确定所述目标机器学习模型对应的待分析特征集合中各个待分析特征的平均敏感度，基于各个待分析特征的平均敏感度对各个待分析特征进行排序，得到排序结果。采用本方法能够提高特征排序准确性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种特征分析方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的飞速发展，基于深度学习的人工智能(AI)走进了大众的视野。作为机器学习领域中一个新的方向，深度学习在搜索技术、数据挖掘、图像识别、自然语言处理等方面取得的效果，远远超过先前相关技术。机器学习用于现实任务时，描述样本的特征通常需要由人类专家设计，这被称为“特征工程”。特征工程在机器学习中占据相当重要的地位。

相关技术中，通常将机器学习模型初始层的网络权重作为特征重要度的系数，再根据权重，对输入模型的特征进行重要度排序并进行特征筛选。由于多层神经网络本身具有将底层特征转换成高维特征，并进行特征选择的功能，因此第一层网络的权重可以视为模型本身对底层特征进行筛选的系数。然而，由于机器学习模型具有整体性，仅选取第一层网络的权重不能完整反应特征对模型整体预测结果的贡献度，因此排序得到的结果并不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高特征排序准确性的特征分析方法、装置、计算机设备和存储介质。

一种特征分析方法，所述方法包括：

获取预设数据集；

将所述预设数据集中各个预设数据的输入特征输入目标机器学习模型中，得到各个所述预设数据的预测输出；

基于各个所述预设数据的预测输出确定各个所述预设数据各自的输入特征的特征敏感度；

基于各个所述特征敏感度确定所述目标机器学习模型对应的待分析特征集合中各个待分析特征的平均敏感度，基于各个待分析特征的平均敏感度对各个待分析特征进行排序，得到排序结果。

在一些实施例中，所述预设数据集为游戏视频帧组成的集合；所述预设数据的输入特征包括第一输入特征和第二输入特征；所述基于各个所述预设数据的预测输出确定各个所述预设数据各自的输入特征的特征敏感度，包括：

获取目标字段信息；

基于所述目标字段信息解析各个所述游戏视频帧，得到各个所述游戏视频帧的第一输入特征；

基于所述目标字段信息及各个所述游戏视频帧的第一输入特征进行计算，得到各个所述游戏视频帧的第二输入特征。

在一些实施例中，所述基于各个所述预设数据的预测输出确定各个所述预设数据各自的输入特征的特征敏感度包括：

对于每一个输入特征，基于所述输入特征对应的预设数据的预测输出对所述输入特征的每一维计算偏导数；

基于所述输入特征对应的各个偏导数计算所述输入特征的范数，将所述范数作为所述输入特征的特征敏感度。

在一些实施例中，所述预设数据集中每一个预设数据存在对应的期望输出；所述基于所述输入特征对应的预设数据的预测输出对所述输入特征的每一维计算偏导数包括：

基于所述输入特征对应的预设数据的预测输出和期望输出确定对应的预测损失；

计算所述预测损失对所述输入特征的每一维的一阶偏导数。

在一些实施例中，所述方法还包括：