时间戳

首页 > 解决方案 > 如何在特征值约束的情况下最大化 ML 模型输出预测？

python - 如何在特征值约束的情况下最大化 ML 模型输出预测？

问题描述

我们的团队开发了一个细粒度的个人客户级别 ML 模型，该模型可以预测给定数量的促销活动（电话、电子邮件、会议、印象等）产生的收入（因变量）和客户的少数分类细节（地址、指定、细分等）。 ）。

一旦模型到位，我们应该给出“最佳”促销活动，在这些促销活动中，收入在个人层面最大化，并有一定的限制（比如整体促销支出低于一定金额等。我们对每个促销都有成本，所以基本上约束是像独立特征值的界限）。

目前，我们模拟了电话、电子邮件、会议、印象等所有可能的促销价值（类别变量不会因个人客户而改变），并通过模型预测为每个人获得最佳收入案例。

目前这种方法的问题是它是一种蛮力方法。我们有大约 100 万客户，模拟不同数量的促销条目（很多组合）最终会得到大量数据，并且预测本身需要大量时间。

鉴于这是一个简单的最大化问题，但具有 ML 模型预测输出（在我们的例子中为神经网络）作为给定输入特征的函数，我们正在寻找任何无需数据模拟即可解决此问题的优化器。它就像 excel 中的求解器函数，其中目标函数是 ML 模型预测。

一个简单的类比——加州房价是一个众所周知的 ML 回归问题。假设我们有一个完善的模型（非参数模型，比如神经网络），我们如何估计每个县的房价最高的最佳特征值（有一些约束）（想象数据具有县信息为好）没有明确模拟数据。

标签： pythonmachine-learningneural-networkregressionmathematical-optimization

解决方案

我鼓励您研究像 LIME 或 SHAP 这样的解决方案：

  1. https://github.com/slundberg/shap - 通过博弈论进行模型解释。
  2. https://github.com/marcotcr/lime - 通过本地可解释拟合进行模型解释。

推荐阅读