算法专利复现_基于ngboost和SHAP值可解释预测方法

news2024/12/29 10:47:06

大家好，我是重庆未来之智的Toby老师，最近看到一篇专利，名称是《基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法》。该专利申请工日是2021年3月2日。

专利复现

我看了这专利申请文案后，文章整体布局和文字内容结构不错，就是创新点半天找不到。我们公司之前申请专利至少还有算法创新点，不由感叹现在专利局审核尺度也太松弛了。

ngboost是2019年出来的算法，SHAP是博弈论中经典算法。两者组合还算不错，今天就为大家复现基于ngboost和SHAP值可解释预测方法。

NGboost概述

NGBoost（Natural Gradient Boosting）是一种基于梯度提升框架的集成学习算法，它通过自然梯度优化来更新模型参数。NGBoost结合了梯度提升决策树（GBDT）的预测能力与自然梯度的优化优势，尤其在处理高维数据和复杂模型时表现出色。

斯坦福 ML Group最近在他们的论文 Duan et al., 2019 中发表了一种新算法，其实现称为 NGBoost。该算法通过使用自然梯度将不确定性估计包括在梯度提升中。这篇文章试图理解这个新算法，并与其他流行的增强算法 LightGBM 和 XGboost 进行比较，看看它在实践中是如何工作的。

斯坦福ngboost官网如下
https://stanfordmlgroup.github.io/projects/ngboost/

自然梯度使学习高效且有效

什么是自然梯度提升？

NGBoost 是一种新的提升算法，它使用自然梯度提升，一种用于概率预测的模块化提升算法。该算法由基学习器、参数概率分布和评分规则组成。

普通梯度可能非常不适合学习多参数概率分布（例如正态分布）。如上面的概率回归示例所示，使用自然梯度的训练动态往往更加稳定并产生更好的拟合。

在不确定性估计和传统指标方面的竞争表现

与竞争方法相比，NGBoost 所需的专业知识要少得多，并且在常见的基准测试中表现同样出色。NGBoost 在较小的数据集上具有特别强的性能。

在一个回归模型的实验中，我们发现ngboost获得更低的rmse.

SHAP概述

SHAP（SHapley Additive exPlanations）是一种解释机器学习模型预测的方法，它基于博弈论中的Shapley值概念。SHAP值提供了一种公平的方法来量化每个特征对模型预测结果的贡献。以下是SHAP的关键特点和概述：

基于Shapley值：
- SHAP值基于Shapley值，这是一种在合作游戏中分配支付的标准方法，确保每个玩家（在这里是特征）获得其“公平”的份额。
可解释性：
- SHAP值提供了一种直观的方式来理解模型的预测，通过分解预测结果并将其归因于各个特征。
特征贡献度量：
- 对于给定的预测，SHAP值可以量化每个特征对预测结果的正面或负面影响。
一致性和公平性：
- SHAP值满足一致性、公平性等博弈论的公理，确保了特征贡献的合理分配。
多种模型支持：
- SHAP可以解释多种类型的机器学习模型，包括决策树、随机森林、梯度提升机、线性模型、深度神经网络等。
可视化工具：
- SHAP提供了丰富的可视化工具，如力导向图（force plot）和汇总图（summary plot），帮助用户直观地理解模型预测。
Python实现：
- SHAP有Python库支持，可以方便地集成到现有的Python机器学习工作流程中。
交互式解释：
- SHAP值的计算可以是交互式的，允许用户探索不同特征组合对模型预测的影响。
适用于复杂模型：
- 尽管SHAP值的计算对于复杂的模型可能很耗时，但它提供了一种强大的方法来解释这些模型的决策过程。
理论和实践结合：
- SHAP结合了理论基础和实际应用，使得即使是非技术背景的用户也能够理解模型的工作原理。
开源和社区支持：
- SHAP是一个开源项目，得到了数据科学和机器学习社区的广泛支持。

SHAP值是解释机器学习模型的重要工具，尤其适用于需要模型透明度和可解释性的场景。通过SHAP值，研究人员和实践者可以更好地理解模型的行为，提高模型的信任度，并做出更明智的决策。

专利复现-基于ngboost和SHAP值可解释预测方法

前期理论知识给大家说清楚了，现在Toby老师用15万真实金融风控数据来复现基于ngboost和SHAP值可解释预测方法。下图是建模数据集，模型通过喂养数据，训练数据，最终生成具有预测能力的AI大模型。

下图是我方已经建立好ngboost预测模型。

下图是我方计算的SHAP values值。

通过SHAP values值，我们计算变量重要性，并从大到小排序。如下图，SHAP+ngboost分析得出Revolving Utilization of Unsecured Lines变量是最重要变量。

"Revolving Utilization of Unsecured Lines"（未担保循环信用额度的使用率）是一个金融术语，通常用于个人信用报告和信贷分析中。它指的是借款人在循环信用账户（如信用卡）上使用的信用额度与可获得的总信用额度的比例。

该变量计算公式=(当期未偿还余额 / 信用额度上限) * 100%。

Revolving Utilization of Unsecured Lines对信用评分有重要影响：

该变量高使用率可能会对个人的信用评分产生负面影响，因为这表明借款人可能面临较高的财务压力。

金融机构和贷款人使用这一指标来评估借款人的信用风险。较高的使用率可能表明借款人依赖信贷来维持消费，这可能增加违约风险。

借款人可以通过降低使用率来提高信用评分，例如通过支付下账单或要求提高信用额度。