CN116340864B - 一种模型漂移检测方法、装置、设备及其存储介质 - Google Patents
一种模型漂移检测方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN116340864B CN116340864B CN202310627704.0A CN202310627704A CN116340864B CN 116340864 B CN116340864 B CN 116340864B CN 202310627704 A CN202310627704 A CN 202310627704A CN 116340864 B CN116340864 B CN 116340864B
- Authority
- CN
- China
- Prior art keywords
- decision
- tree
- model
- incremental
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 87
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 170
- 238000000034 method Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 35
- 238000012512 characterization method Methods 0.000 claims description 26
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本申请实施例属于人工智能及数字医疗技术领域，涉及一种模型漂移检测方法、装置、设备及其存储介质，用于对树型决策模型的模型漂移进行检测，尤其是在数字医疗等多特征影响因子的应用领域，在进行综合模型训练和改进时，往往随着数据量的增量累加，容易造成各个特征因子对应的决策权重发生变化，或者模型中引入了新的特征影响因子，这些变化都会使得模型的预测结果产生变化，将所述树型决策模型的模型漂移检测方法应用到数字医疗技术领域，能够进一步的辅助医疗人员进行决策工作，更加智能化，识别目标决策模型是否训练完成或者趋于成熟状态，避免了将不成熟的医疗模型过早的投入到数字医疗中，更加慎重和科学化。
Description
技术领域
本申请涉及人工智能及数字医疗技术领域，尤其涉及一种模型漂移检测方法、装置、设备及其存储介质。
背景技术
随着人工智能行业的快速发展，基于人工智能模型的智能决策已被逐渐应用到各个行业领域，传统医疗行业也考虑结合计算机以及人工智能技术往数字医疗领域进行转型，医疗行业由于其涉及的业务以及病种的繁杂性，往往在进行业务决策时由多维度的特征影响因子，良好的决策模型可解释性能有效地减少算法团队与模型下游用户之间的信任危机，并有助于识别模型更新迭代过程中的某些不稳定因素，更好的辅助医疗机构进行精准决策。
特征因子在对模型进行增量式训练或者增量式决策过程中，随着医疗数据样本数量逐渐增加，可能会引入新的决策特征信息或者原有决策特征信息对应的分配比例逐渐由变化较大慢慢变化为趋于稳定，在这个过程中，为了对模型进行可用性解析，随着模型训练的逐渐成熟，模型的输出误差值应当逐渐减小直至输出误差值趋于稳定，则代表模型训练成功。目前，主要采用SHAP（Shapley Additive exPlanations）值方法针对于模型的预测进行解释，SHAP值越大，某个特征影响力越大，并没有很好的解释模型输出结果是如何变化的。因此，现有技术在模型增量式训练中还缺少一种对模型输出结果变化进行解释的方法。
发明内容
本申请实施例的目的在于提出一种模型漂移检测方法及其相关设备，以解决现有技术在模型增量式训练中还缺少一种对模型输出结果变化进行解释的方法。
为了解决上述技术问题，本申请实施例提供一种模型漂移检测方法，采用了如下所述的技术方案：
一种模型漂移检测方法，包括下述步骤：
获取检测集，其中，所述检测集中包括若干个检测样本以及各个检测样本的特征影响因子信息，其中，所述特征影响因子信息包括特征影响因子的名称和表征数据；
将所述检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后所述树型决策模型分别对应的树型决策结果，其中，本次增量式决策处理前后所述树型决策模型对应的树型决策结果包括第一树型决策结果和第二树型决策结果；
获取所述树型决策模型的各个决策节点；
基于所述第一树型决策结果、所述第二树型决策结果、所述各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合；
根据所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取本次增量式决策处理前后所述树型决策模型内各个决策节点分别引起的模型输出结果变化；
基于所述树型决策模型内各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测所述树型决策模型的模型漂移。
进一步的，在执行所述将所述检测集输入到训练完成的树型决策模型内进行增量式决策处理的步骤之前，所述方法还包括：
获取训练集，其中，所述训练集中包括若干个训练样本、各个训练样本的特征影响因子信息以及预设的目标训练结果，其中，所述特征影响因子信息包括特征影响因子的名称和表征数据；
将所述预设的目标训练结果设置为预构建的树型决策模型的输出参数；
将所述特征影响因子的名称设置为预构建的树型决策模型的各个决策节点；
将所述训练集输入到预构建的树型决策模型，进行模型训练，通过所述特征影响因子的表征数据和所述输出参数，训练出所述各个决策节点对应的特征权重，完成对所述树型决策模型的训练。
进一步的，所述将所述检测集输入到训练完成的树型决策模型内进行增量式决策处理的步骤，具体包括：
根据所述树型决策模型内的各个决策节点、所述各个检测样本中特征影响因子的名称和表征数据对所述检测集中若干个检测样本进行决策分类，获得决策分类结果；
根据所述决策分类结果，识别各个决策节点处所包含的检测样本；
根据识别结果，统计出各个决策节点所包含的所有检测样本，作为第一统计结果；
基于所述各个决策节点所包含的所有检测样本的特征影响因子数据和所述各个决策节点对应的特征权重，进行乘积运算，获取各个决策节点的检测特征值。
进一步的，所述分别获取本次增量式决策处理前后所述树型决策模型分别对应的树型决策结果的步骤，具体包括：
根据所述树型决策模型内的各个决策节点、所述各个训练样本中特征影响因子的名称和表征数据对所述训练集中若干个训练样本进行决策分类，获得决策分类结果；
根据所述决策分类结果，识别各个决策节点处所包含的训练样本；
根据识别结果，统计出各个决策节点所包含的所有训练样本，作为第二统计结果；
将所述第二统计结果作为本次增量式决策处理前所述树型决策模型对应的第一树型决策结果；
根据所述第一统计结果和所述第二统计结果，统计出各个决策节点所包含的所有样本，作为第三统计结果；
将所述第三统计结果作为本次增量式决策处理后所述树型决策模型对应的第二树型决策结果。
进一步的，本次增量式决策处理前后分别对应的样本总量包括第一样本总量和第二样本总量，本次增量式决策处理前后分别对应的决策概率分布集合包括第一决策概率分布集合和第二决策概率分布集合，所述获取所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合的步骤，具体包括：
基于所述第二统计结果，统计出本次增量式决策处理前每个决策节点所包含的样本数量；
根据所述本次增量式决策处理前每个决策节点所包含的样本数量以及本次增量式决策处理前的第一样本总量，进行比值运算，获取本次增量式决策处理前每个决策节点处的样本占比；
将本次增量式决策处理前每个决策节点处的样本占比，按照预设的决策节点排列顺序整理为第一占比集合；
将所述第一占比集合作为所述树型决策模型经本次增量式决策处理前的第一决策概率分布集合；
基于所述第三统计结果，统计出本次增量式决策处理后每个决策节点所包含的样本数量；
根据所述本次增量式决策处理后每个决策节点所包含的样本数量以及本次增量式决策处理后的第二样本总量，进行比值运算，获取本次增量式决策处理后每个决策节点处的样本占比；
将本次增量式决策处理后每个决策节点处的样本占比，按照所述预设的决策节点排列顺序整理为第二占比集合；
将所述第二占比集合作为所述树型决策模型经本次增量式决策处理后的第二决策概率分布集合。
进一步的，所述根据所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取本次增量式决策处理前后所述树型决策模型内各个决策节点分别引起的模型输出结果变化的步骤，具体包括：
根据所述树型决策模型经本次增量式决策处理前后的决策概率分布集合，获取各个决策节点在本次增量式决策处理前后分别对应的决策概率分布变化；
根据预设的第一算法公式：,获取本次增量式决策处理前后所述树型决策模型内各个决策节点分别引起的模型输出结果变化,其中，/>表示决策节点的编号，/>为正整数且/>，/>表示决策节点的数量,/>表示编号为/>的决策节点在本次增量式决策处理前后引起的模型输出结果变化，/>表示编号为/>的决策节点在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的决策节点对应的检测特征值。
进一步的，所述基于所述树型决策模型内各个子节点分别引起的模型输出结果变化以及预设的第二算法公式，检测所述树型决策模型的模型漂移的步骤，具体包括：
根据预设的第二算法公式：, 检测所述树型决策模型的模型漂移,其中，/>表示决策节点的编号，/>表示本次增量式决策处理前后所有决策节点引起的模型输出结果变化，即所述树型决策模型的模型漂移结果，/>表示编号为/>的决策节点在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的决策节点对应的检测特征值。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述模型漂移检测方法，通过获取检测集；将检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后分别对应的树型决策结果；获取树型决策模型的各个决策节点；基于本次增量式决策处理前后分别对应的树型决策结果、各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取本次增量式决策处理前后分别对应的决策概率分布集合；根据本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取各个决策节点分别引起的模型输出结果变化；基于各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测树型决策模型的模型漂移，本申请通过计算增量式决策每个决策节点引起的变化，从而检测模型漂移，更加科学化和合理化，降低了采用SHAP值方法进行检测的复杂度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的模型漂移检测方法的一个实施例的流程图；
图3根据本申请的模型漂移检测方法中对所述树型决策模型进行训练的一个实施例的流程图；
图4根据本申请的模型漂移检测方法中对所述树型决策模型进行增量式决策处理的一个实施例的流程图；
图5根据本申请的模型漂移检测方法获取本次增量式决策处理前后的树型决策结果的一个实施例的流程图；
图6是图2所示步骤204的一个具体实施例的流程图；
图7根据本申请的模型漂移检测装置的一个实施例的结构示意图；
图8是图7所示模块704的一个具体实施例的结构示意图；
图9根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的模型漂移检测方法一般由服务器执行，相应地，模型漂移检测装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的模型漂移检测方法的一个实施例的流程图。所述的模型漂移检测方法，包括以下步骤：
步骤201，获取检测集。
本实施例中，所述检测集中包括若干个检测样本以及各个检测样本的特征影响因子信息，其中，所述特征影响因子信息包括特征影响因子的名称和表征数据。
本实施例中，所述检测集可以为新获取的数字医疗领域进行模型增量式决策的样本数据。所述样本数据可以为个人健康档案、处方、检查报告、医疗电子记录(ElectronicHealthcare Record)，电子化的个人健康记录，包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录数据。
步骤202，将所述检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后所述树型决策模型分别对应的树型决策结果，其中，本次增量式决策处理前后所述树型决策模型对应的树型决策结果包括第一树型决策结果和第二树型决策结果。
本实施例中，所述增量式决策处理，即在对决策模型进行使用（训练或检测）时，获取本次的决策处理结果之后，将本次的决策处理结果也并入到以往的决策处理结果中，做到了模型样本集的增量和模型决策结果的增量。例如：在对决策模型进行使用时，初始训练时，训练样本的总量为100个，决策节点的数量为10个，假设每个训练样本只对应一个决策节点（实际上，一个样本可能与多个不同的决策节点存在对应关系），对所述100个训练样本进行决策处理，获取每个决策节点对应的训练样本数量；在下一次使用所述决策模型时，输入检测集，对100个检测样本进行决策处理，获取每个决策节点对应的检测样本数量，将每个决策节点对应的检测样本数量和训练样本数量进行相加，即所述增量式决策训练或增量式决策处理。
本实施例中，在执行所述将所述检测集输入到训练完成的树型决策模型内进行增量式决策处理的步骤之前，所述方法还包括对所述树型决策模型进行训练的方法。
继续参考图3，图3根据本申请的模型漂移检测方法中对所述树型决策模型进行训练的一个实施例的流程图，包括：
步骤301，获取训练集。
本实施例中，所述训练集中包括若干个训练样本、各个训练样本的特征影响因子信息以及预设的目标训练结果，其中，所述特征影响因子信息包括特征影响因子的名称和表征数据；
步骤302，将所述预设的目标训练结果设置为预构建的树型决策模型的输出参数；
步骤303，将所述特征影响因子的名称设置为预构建的树型决策模型的各个决策节点；
步骤304，将所述训练集输入到预构建的树型决策模型，进行模型训练，通过所述特征影响因子的表征数据和所述输出参数，训练出所述各个决策节点对应的特征权重，完成对所述树型决策模型的训练。
通过设置树型决策模型的输出参数和决策节点，通过特征影响因子的表征数据和所述输出参数，训练出所述各个决策节点对应的特征权重，完成了对所述树型决策模型的初步训练，获得初具规模的树模型。
继续参考图4，图4根据本申请的模型漂移检测方法中对所述树型决策模型进行增量式决策处理的一个实施例的流程图，包括：
步骤401，根据所述树型决策模型内的各个决策节点、所述各个检测样本中特征影响因子的名称和表征数据对所述检测集中若干个检测样本进行决策分类，获得决策分类结果；
步骤402，根据所述决策分类结果，识别各个决策节点处所包含的检测样本；
步骤403，根据识别结果，统计出各个决策节点所包含的所有检测样本，作为第一统计结果；
步骤404，基于所述各个决策节点所包含的所有检测样本的特征影响因子数据和所述各个决策节点对应的特征权重，进行乘积运算，获取各个决策节点的检测特征值。
通过所述检测集对所述树型决策模型进行增量式决策，一方面根据所述树型决策模型获得本次决策结果，另一方面将所述检测集作为增量样本再次对所述树型决策模型进行决策完善。
继续参考图5，图5根据本申请的模型漂移检测方法获取本次增量式决策处理前后的树型决策结果的一个实施例的流程图，包括：
步骤501，根据所述树型决策模型内的各个决策节点、所述各个训练样本中特征影响因子的名称和表征数据对所述训练集中若干个训练样本进行决策分类，获得决策分类结果；
步骤502，根据所述决策分类结果，识别各个决策节点处所包含的训练样本；
步骤503，根据识别结果，统计出各个决策节点所包含的所有训练样本，作为第二统计结果；
步骤504，将所述第二统计结果作为本次增量式决策处理前所述树型决策模型对应的第一树型决策结果；
步骤505，根据所述第一统计结果和所述第二统计结果，统计出各个决策节点所包含的所有样本，作为第三统计结果；
本实施例中，所述根据所述第一统计结果和所述第二统计结果，统计出各个决策节点所包含的所有样本，具体实施方式为：以相加的方式统计出各个决策节点所包含的所有样本，即对每个决策节点所包含的所有训练样本和所有检测样本进行相加，获取每个决策节点的总样本数量。
步骤506，将所述第三统计结果作为本次增量式决策处理后所述树型决策模型对应的第二树型决策结果。
通过分别获取本次增量式决策前后，所述树型决策模型分别对应的树型决策结果，使得在检测后期，能够通过所述本次增量式决策前后，所述树型决策模型分别对应的树型决策结果对所述树型决策模型的输出结果变化进行合理分析。
步骤203，获取所述树型决策模型的各个决策节点。
步骤204，基于所述第一树型决策结果、所述第二树型决策结果、所述各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合，其中，本次增量式决策处理前后分别对应的样本总量包括第一样本总量和第二样本总量，本次增量式决策处理前后分别对应的决策概率分布集合包括第一决策概率分布集合和第二决策概率分布集合。
继续参考图6，图6是图2所示步骤204的一个具体实施例的流程图，包括：
步骤601，基于所述第二统计结果，统计出本次增量式决策处理前每个决策节点所包含的样本数量；
步骤602，根据所述本次增量式决策处理前每个决策节点所包含的样本数量以及本次增量式决策处理前的第一样本总量，进行比值运算，获取本次增量式决策处理前每个决策节点处的样本占比；
步骤603，将本次增量式决策处理前每个决策节点处的样本占比，按照预设的决策节点排列顺序整理为第一占比集合；
步骤604，将所述第一占比集合作为所述树型决策模型经本次增量式决策处理前的第一决策概率分布集合；
步骤605，基于所述第三统计结果，统计出本次增量式决策处理后每个决策节点所包含的样本数量；
步骤606，根据所述本次增量式决策处理后每个决策节点所包含的样本数量以及本次增量式决策处理后的第二样本总量，进行比值运算，获取本次增量式决策处理后每个决策节点处的样本占比；
步骤607，将本次增量式决策处理后每个决策节点处的样本占比，按照所述预设的决策节点排列顺序整理为第二占比集合；
步骤608，将所述第二占比集合作为所述树型决策模型经本次增量式决策处理后的第二决策概率分布集合。
通过获取所述树型决策模型经本次增量式决策处理前的决策概率分布集合和所述树型决策模型经本次增量式决策处理后的决策概率分布集合，实质上，是获取在本次增量式决策处理前后所述树型决策模型中各个决策节点的决策概率分布变化，这里所述的决策节点可能仅包含原有的决策节点，也可能包含新产生的决策节点。
步骤205，根据所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取本次增量式决策处理前后所述树型决策模型内各个决策节点分别引起的模型输出结果变化。
本实施例中，所述根据所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取本次增量式决策处理前后所述树型决策模型内各个决策节点分别引起的模型输出结果变化的步骤，具体包括：根据所述树型决策模型经本次增量式决策处理前后的决策概率分布集合，获取各个决策节点在本次增量式决策处理前后分别对应的决策概率分布变化，具体实施方式为，通过第二决策概率分布集合内各个决策节点对应的样本占比减去第一决策概率分布集合内对应决策节点对应的样本占比，获取各个决策节点对应的决策概率分布变化，特殊的情况，若产生了新的决策节点，则新的决策节点的样本占比即为其对应的决策概率分布变化；根据预设的第一算法公式：,获取本次增量式决策处理前后所述树型决策模型内各个决策节点分别引起的模型输出结果变化,其中，/>表示决策节点的编号，/>为正整数且/>，/>表示决策节点的数量,/>表示编号为/>的决策节点在本次增量式决策处理前后引起的模型输出结果变化，/>表示编号为/>的决策节点在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的决策节点对应的检测特征值。
通过获取检测集对应的检测特征值，实质上所述检测特征值，即本次增量式决策处理前后对应决策节点所决策到的所有特征因子信息表征数据对应的特征差值，根据当前决策节点的决策概率分布变化和当前决策节点对应的特征差值，从而预测所述当前决策节点的决策偏差。
其中，所述特征差值，即本次增量式决策处理前，获取各个决策节点所决策到的所有特征因子信息表征数据对应的特征值，作为各个决策节点对应的第一特征值，同理，本次增量式决策处理后，获取各个决策节点对应的第二特征值，根据决策节点将相应的第二特征值减去第一特征值，获得各个决策节点的特征差值。例如：本次增量式决策处理前，决策节点A中包含10个样本，每个样本中都包含了一些特征因子信息表征数据，对单个样本计算其包含的特征因子信息表征数据对应的特征值，通过累加获取到10个样本所对应的特征和值，所述特征和值即本次增量式决策处理前所述决策节点A的特征值，同理，获取本次增量式决策处理后所述决策节点A的特征值，将本次增量式决策处理后所述决策节点A的特征值减去本次增量式决策处理前所述决策节点A的特征值，即获取到所述决策节点A对应的检测特征值。
本实施例中，对单个样本计算其包含的特征因子信息表征数据对应的特征值的步骤，具体包括：识别单个目标样本对应的所有决策节点，以及所述单个目标样本对应的所有决策节点的特征权重，通过累加求和方式，获取所述单个目标样本的特征值。
本实施例中，若产生了新的决策节点，则本次增量式决策处理之后，该新的决策节点对应的概率分布变化即所述新的决策节点在本次增量式决策处理之后所述新的决策节点所包含的样本数量与所述样本总量间的比值；此外，若产生了新的决策节点，每个决策节点的特征权重也会在所述输出参数的约束下相应产生变化。
步骤206，基于所述树型决策模型内各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测所述树型决策模型的模型漂移。
本实施例中，所述基于所述树型决策模型内各个子节点分别引起的模型输出结果变化以及预设的第二算法公式，检测所述树型决策模型的模型漂移的步骤，具体包括：根据预设的第二算法公式：, 检测所述树型决策模型的模型漂移,其中，表示决策节点的编号，/>表示本次增量式决策处理前后所有决策节点引起的模型输出结果变化，即所述树型决策模型的模型漂移结果，/>表示编号为/>的决策节点在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的决策节点对应的检测特征值。
通过累加所有决策节点的决策偏差，获取到所述树型决策模型的决策偏差，即获取到所述树型决策模型的模型漂移。若越小，则说明所述树型决策模型的模型漂移量越小，即模型越成熟，否则，所述树型决策模型的模型漂移量越大，即模型还需进一步优化。
考虑将所述树型决策模型的模型漂移检测方法应用到数字医疗技术领域，能够进一步的辅助医疗人员进行决策工作，更加智能化，同时，也能通过所述树型决策模型的模型漂移检测方法，识别目标模型是否训练完成或者趋于成熟状态，避免了将不成熟的医疗模型过早的投入到数字医疗中，更加慎重，保证了将成熟的医疗模型适宜的投入到数字医疗中，更加科学化。
本申请通过获取检测集；将检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后分别对应的树型决策结果；获取树型决策模型的各个决策节点；基于本次增量式决策处理前后分别对应的树型决策结果、各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取本次增量式决策处理前后分别对应的决策概率分布集合；根据本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取各个决策节点分别引起的模型输出结果变化；基于各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测树型决策模型的模型漂移，本申请通过计算增量式决策每个决策节点引起的变化，从而检测模型漂移，更加科学化和合理化，降低了采用SHAP值方法进行检测的复杂度。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过根据本次增量式决策处理前后分别对应的决策概率分布集合，获取各个决策节点分别引起的模型输出结果变化；基于各个决策节点分别引起的模型输出结果变化，检测树型决策模型的模型漂移，更加科学化和合理化，降低了采用SHAP值方法进行检测的复杂度，考虑将所述树型决策模型的模型漂移检测方法应用到数字医疗技术领域，能够进一步的辅助医疗人员进行决策工作，更加智能化，同时，也能通过所述树型决策模型的模型漂移检测方法，识别目标模型是否训练完成或者趋于成熟状态，避免了将不成熟的医疗模型过早的投入到数字医疗中，更加慎重，保证了将成熟的医疗模型适宜的投入到数字医疗中，更加科学化。
进一步参考图7，作为对上述图2所示方法的实现，本申请提供了一种模型漂移检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例所述的模型漂移检测装置700包括：检测集获取模块701、增量式处理模块702、决策节点获取模块703、决策概率分布集合获取模块704、第一算法处理模块705和第二算法处理模块706。其中：
检测集获取模块701，用于获取检测集，其中，所述检测集中包括若干个检测样本以及各个检测样本的特征影响因子信息，其中，所述特征影响因子信息包括特征影响因子的名称和表征数据；
增量式处理模块702，用于将所述检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后所述树型决策模型分别对应的树型决策结果，其中，本次增量式决策处理前后所述树型决策模型对应的树型决策结果包括第一树型决策结果和第二树型决策结果；
决策节点获取模块703，用于识别所述树型决策模型的各个决策节点；
决策概率分布集合获取模块704，用于基于所述第一树型决策结果、所述第二树型决策结果、所述各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合；
第一算法处理模块705，用于根据所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取本次增量式决策处理前后所述树型决策模型内各个决策节点分别引起的模型输出结果变化；
第二算法处理模块706，用于基于所述树型决策模型内各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测所述树型决策模型的模型漂移。
在本申请的一些具体实施方式中，所述的模型漂移检测装置700还包括树型决策模型初训练模块，所述树型决策模型初训练模块包括训练集获取子模块、输出参数设置子模块、决策节点设置子模块和特征权重训练子模块。其中：
训练集获取子模块，用于获取训练集，其中，所述训练集中包括若干个训练样本、各个训练样本的特征影响因子信息以及预设的目标训练结果，其中，所述特征影响因子信息包括特征影响因子的名称和表征数据；
输出参数设置子模块，用于将所述预设的目标训练结果设置为预构建的树型决策模型的输出参数；
决策节点设置子模块，用于将所述特征影响因子的名称设置为预构建的树型决策模型的各个决策节点；
特征权重训练子模块，用于将所述训练集输入到预构建的树型决策模型，进行模型训练，通过所述特征影响因子的表征数据和所述输出参数，训练出所述各个决策节点对应的特征权重，完成对所述树型决策模型的训练。
在本申请的一些具体实施方式中，所述的模型漂移检测装置700还包括增量式决策模块，所述增量式决策模块包括决策分类子模块、检测样本分类识别子模块、第一统计子模块和检测特征值计算子模块。其中：
第一决策分类子模块，用于根据所述树型决策模型内的各个决策节点、所述各个检测样本中特征影响因子的名称和表征数据对所述检测集中若干个检测样本进行决策分类，获得决策分类结果；
第一识别子模块，用于根据所述决策分类结果，识别各个决策节点处所包含的检测样本；
第一统计子模块，用于根据识别结果，统计出各个决策节点所包含的所有检测样本，作为第一统计结果；
检测特征值计算子模块，用于基于所述各个决策节点所包含的所有检测样本的特征影响因子数据和所述各个决策节点对应的特征权重，进行乘积运算，获取各个决策节点的检测特征值。
在本申请的一些具体实施方式中，所述的模型漂移检测装置700还包括树型决策结果整理模块，所述树型决策结果整理模块包括第二决策分类子模块、第二识别子模块、第二统计子模块和第三统计子模块。其中：
第二决策分类子模块，用于根据所述树型决策模型内的各个决策节点、所述各个训练样本中特征影响因子的名称和表征数据对所述训练集中若干个训练样本进行决策分类，获得决策分类结果；
第二识别子模块，用于根据所述决策分类结果，识别各个决策节点处所包含的训练样本；
第二统计子模块，用于根据识别结果，统计出各个决策节点所包含的所有训练样本，作为第二统计结果，还用于将所述第二统计结果作为本次增量式决策处理前所述树型决策模型对应的第一树型决策结果；
第三统计子模块，用于根据所述第一统计结果和所述第二统计结果，统计出各个决策节点所包含的所有样本，作为第三统计结果，还用于将所述第三统计结果作为本次增量式决策处理后所述树型决策模型对应的第二树型决策结果。
继续参考图8，图8是图7所述决策概率分布集合获取模块的一个具体实施例的结构示意图，所述决策概率分布集合获取模块704包括。其中：
样本数量第一统计子模块801，用于基于所述第二统计结果，统计出本次增量式决策处理前每个决策节点所包含的样本数量；
样本占比第一计算子模块802，用于根据所述本次增量式决策处理前每个决策节点所包含的样本数量以及本次增量式决策处理前的第一样本总量，进行比值运算，获取本次增量式决策处理前每个决策节点处的样本占比；
第一占比集合整理子模块803，用于将本次增量式决策处理前每个决策节点处的样本占比，按照预设的决策节点排列顺序整理为第一占比集合，还用于将所述第一占比集合作为所述树型决策模型经本次增量式决策处理前的第一决策概率分布集合；
样本数量第二统计子模块804，用于基于所述第三统计结果，统计出本次增量式决策处理后每个决策节点所包含的样本数量；
样本占比第二计算子模块805，用于根据所述本次增量式决策处理后每个决策节点所包含的样本数量以及本次增量式决策处理后的第二样本总量，进行比值运算，获取本次增量式决策处理后每个决策节点处的样本占比；
第二占比集合整理子模块806，用于将本次增量式决策处理后每个决策节点处的样本占比，按照所述预设的决策节点排列顺序整理为第二占比集合，还用于将所述第二占比集合作为所述树型决策模型经本次增量式决策处理后的第二决策概率分布集合。
本申请通过获取检测集；将检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后分别对应的树型决策结果；获取树型决策模型的各个决策节点；基于本次增量式决策处理前后分别对应的树型决策结果、各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取本次增量式决策处理前后分别对应的决策概率分布集合；根据本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取各个决策节点分别引起的模型输出结果变化；基于各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测树型决策模型的模型漂移，本申请通过计算增量式决策每个决策节点引起的变化，从而检测模型漂移，更加科学化和合理化，降低了采用SHAP值方法进行检测的复杂度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是，图中仅示出了具有组件9a-9c的计算机设备9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器9a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器9a可以是所述计算机设备9的内部存储单元，例如该计算机设备9的硬盘或内存。在另一些实施例中，所述存储器9a也可以是所述计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。当然，所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中，所述存储器9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件，例如模型漂移检测方法的计算机可读指令等。此外，所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器9b在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中，所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据，例如运行所述模型漂移检测方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口，该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于人工智能技术领域。本申请通过获取检测集；将检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后分别对应的树型决策结果；获取树型决策模型的各个决策节点；基于本次增量式决策处理前后分别对应的树型决策结果、各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取本次增量式决策处理前后分别对应的决策概率分布集合；根据本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取各个决策节点分别引起的模型输出结果变化；基于各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测树型决策模型的模型漂移，本申请通过计算增量式决策每个决策节点引起的变化，从而检测模型漂移，更加科学化和合理化，降低了采用SHAP值方法进行检测的复杂度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的模型漂移检测方法的步骤。
本实施例提出的计算机可读存储介质，属于人工智能技术领域。本申请通过获取检测集；将检测集输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后分别对应的树型决策结果；获取树型决策模型的各个决策节点；基于本次增量式决策处理前后分别对应的树型决策结果、各个决策节点以及本次增量式决策处理前后分别对应的样本总量，获取本次增量式决策处理前后分别对应的决策概率分布集合；根据本次增量式决策处理前后分别对应的决策概率分布集合以及预设的第一算法公式，获取各个决策节点分别引起的模型输出结果变化；基于各个决策节点分别引起的模型输出结果变化以及预设的第二算法公式，检测树型决策模型的模型漂移，本申请通过计算增量式决策每个决策节点引起的变化，从而检测模型漂移，更加科学化和合理化，降低了采用SHAP值方法进行检测的复杂度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (8)
1.一种模型漂移检测方法，其特征在于，包括下述步骤：
获取检测集，其中，所述检测集中包括若干个检测样本以及各个检测样本的特征影响因子信息，所述特征影响因子信息包括特征影响因子的名称和表征数据，所述检测集为新获取的数字医疗领域进行模型增量式决策的样本数据，所述样本数据为数字医疗相关的电子化记录数据；
将所述电子化记录数据以及各个电子化记录数据所对应的特征影响因子信息输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后所述树型决策模型分别对应的树型决策结果，其中，本次增量式决策处理前后所述树型决策模型对应的树型决策结果包括第一树型决策结果和第二树型决策结果；
获取所述树型决策模型的各个决策节点，其中，预先将特征影响因子的名称设置为所述树型决策模型的各个决策节点；
基于所述第一树型决策结果、所述第二树型决策结果、各个所述特征影响因子以及本次增量式决策处理前后分别对应的样本总量，获取所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合；
根据所述树型决策模型经本次增量式决策处理前后的决策概率分布集合，获取各个特征影响因子在本次增量式决策处理前后分别对应的决策概率分布变化；
根据预设的第一算法公式：,获取本次增量式决策处理前后所述树型决策模型内各个特征影响因子分别引起的模型输出结果变化,其中，/>表示特征影响因子的编号，/>为正整数且/>，/>表示特征影响因子的数量,/>表示编号为/>的特征影响因子在本次增量式决策处理前后引起的模型输出结果变化，/>表示编号为/>的特征影响因子在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的特征影响因子对应的检测特征值；
根据预设的第二算法公式：, 检测所述树型决策模型的模型漂移,其中，/>表示特征影响因子的编号，/>为正整数且/>，/>表示特征影响因子的数量，/>表示本次增量式决策处理前后所有特征影响因子引起的模型输出结果变化，即所述树型决策模型的模型漂移结果，/>表示编号为/>的特征影响因子在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的特征影响因子对应的检测特征值；
获取所述树型决策模型的模型漂移结果，当根据所述模型漂移结果确定所述树型决策模型训练完成时，根据所述训练完成的树型决策模型输出目标电子化记录数据对应的数字医疗决策结果。
2.根据权利要求1所述的模型漂移检测方法，其特征在于，在执行所述将所述电子化记录数据以及各个电子化记录数据所对应的特征影响因子信息输入到训练完成的树型决策模型内进行增量式决策处理的步骤之前，所述方法还包括：
获取训练集，其中，所述训练集中包括若干个训练样本、各个训练样本的特征影响因子信息以及预设的目标训练结果，所述特征影响因子信息包括特征影响因子的名称和表征数据；
将所述预设的目标训练结果设置为预构建的树型决策模型的输出参数；
将所述训练集输入到预构建的树型决策模型，进行模型训练，通过所述特征影响因子的表征数据和所述输出参数，训练出所述各个特征影响因子对应的特征权重，完成对所述树型决策模型的训练。
3.根据权利要求2所述的模型漂移检测方法，其特征在于，所述将所述电子化记录数据以及各个电子化记录数据所对应的特征影响因子信息输入到训练完成的树型决策模型内进行增量式决策处理的步骤，具体包括：
根据所述树型决策模型内的各个特征影响因子、所述各个检测样本中特征影响因子的名称和表征数据对所述检测集中若干个检测样本进行决策分类，获得决策分类结果；
根据所述决策分类结果，识别各个特征影响因子处所包含的检测样本；
根据识别结果，统计出各个特征影响因子所包含的所有检测样本，作为第一统计结果；
基于所述各个特征影响因子所包含的所有检测样本的特征影响因子数据和所述各个特征影响因子对应的特征权重，进行乘积运算，获取各个决策节点的检测特征值。
4.根据权利要求3所述的模型漂移检测方法，其特征在于，所述分别获取本次增量式决策处理前后所述树型决策模型分别对应的树型决策结果的步骤，具体包括：
根据所述树型决策模型内的各个特征影响因子、所述各个训练样本中特征影响因子的名称和表征数据对所述训练集中若干个训练样本进行决策分类，获得决策分类结果；
根据所述决策分类结果，识别各个特征影响因子处所包含的训练样本；
根据识别结果，统计出各个特征影响因子所包含的所有训练样本，作为第二统计结果；
将所述第二统计结果作为本次增量式决策处理前所述树型决策模型对应的第一树型决策结果；
根据所述第一统计结果和所述第二统计结果，统计出各个特征影响因子所包含的所有样本，作为第三统计结果；
将所述第三统计结果作为本次增量式决策处理后所述树型决策模型对应的第二树型决策结果。
5.根据权利要求4所述的模型漂移检测方法，其特征在于，本次增量式决策处理前后分别对应的样本总量包括第一样本总量和第二样本总量，本次增量式决策处理前后分别对应的决策概率分布集合包括第一决策概率分布集合和第二决策概率分布集合，所述获取所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合的步骤，具体包括：
基于所述第二统计结果，统计出本次增量式决策处理前每个特征影响因子所包含的样本数量；
根据所述本次增量式决策处理前每个特征影响因子所包含的样本数量以及本次增量式决策处理前的第一样本总量，进行比值运算，获取本次增量式决策处理前每个特征影响因子处的样本占比；
将本次增量式决策处理前每个特征影响因子处的样本占比，按照预设的特征影响因子排列顺序整理为第一占比集合；
将所述第一占比集合作为所述树型决策模型经本次增量式决策处理前的第一决策概率分布集合；
基于所述第三统计结果，统计出本次增量式决策处理后每个特征影响因子所包含的样本数量；
根据所述本次增量式决策处理后每个特征影响因子所包含的样本数量以及本次增量式决策处理后的第二样本总量，进行比值运算，获取本次增量式决策处理后每个特征影响因子处的样本占比；
将本次增量式决策处理后每个特征影响因子处的样本占比，按照所述预设的特征影响因子排列顺序整理为第二占比集合；
将所述第二占比集合作为所述树型决策模型经本次增量式决策处理后的第二决策概率分布集合。
6.一种模型漂移检测装置，其特征在于，包括：
检测集获取模块，用于获取检测集，其中，所述检测集中包括若干个检测样本以及各个检测样本的特征影响因子信息，其中，所述特征影响因子信息包括特征影响因子的名称和表征数据，所述检测集为新获取的数字医疗领域进行模型增量式决策的样本数据，所述样本数据为数字医疗相关的电子化记录数据；
增量式处理模块，用于将所述电子化记录数据以及各个电子化记录数据所对应的特征影响因子信息输入到训练完成的树型决策模型内进行增量式决策处理，并分别获取本次增量式决策处理前后所述树型决策模型分别对应的树型决策结果，其中，本次增量式决策处理前后所述树型决策模型对应的树型决策结果包括第一树型决策结果和第二树型决策结果；
决策节点获取模块，用于获取所述树型决策模型的各个决策节点，其中，预先将特征影响因子的名称设置为所述树型决策模型的各个决策节点；
决策概率分布集合获取模块，用于基于所述第一树型决策结果、所述第二树型决策结果、各个所述特征影响因子以及本次增量式决策处理前后分别对应的样本总量，获取所述树型决策模型经本次增量式决策处理前后分别对应的决策概率分布集合；
第一算法处理模块，用于根据所述树型决策模型经本次增量式决策处理前后的决策概率分布集合，获取各个特征影响因子在本次增量式决策处理前后分别对应的决策概率分布变化，还用于根据预第一算法公式：,获取本次增量式决策处理前后所述树型决策模型内各个特征影响因子分别引起的模型输出结果变化,其中，/>表示特征影响因子的编号，/>为正整数且/>，/>表示特征影响因子的数量,/>表示编号为/>的特征影响因子在本次增量式决策处理前后引起的模型输出结果变化，/>表示编号为/>的特征影响因子在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的特征影响因子对应的检测特征值；
第二算法处理模块，用于根据预设的第二算法公式：, 检测所述树型决策模型的模型漂移,其中，/>表示特征影响因子的编号，/>为正整数且/>，/>表示特征影响因子的数量，/>表示本次增量式决策处理前后所有特征影响因子引起的模型输出结果变化，即所述树型决策模型的模型漂移结果，/>表示编号为/>的特征影响因子在本次增量式决策处理前后对应的决策概率分布变化，/>表示编号为/>的特征影响因子对应的检测特征值；
在所述检测所述树型决策模型的模型漂移之后，还包括：
获取所述树型决策模型的模型漂移结果，当根据所述模型漂移结果确定所述树型决策模型训练完成时，根据所述训练完成的树型决策模型输出目标电子化记录数据对应的数字医疗决策结果。
7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的模型漂移检测方法的步骤。
8.一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计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的模型漂移检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627704.0A CN116340864B (zh) | 2023-05-31 | 2023-05-31 | 一种模型漂移检测方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627704.0A CN116340864B (zh) | 2023-05-31 | 2023-05-31 | 一种模型漂移检测方法、装置、设备及其存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116340864A CN116340864A (zh) | 2023-06-27 |
| CN116340864B true CN116340864B (zh) | 2023-09-15 |
Family
ID=86880876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310627704.0A Active CN116340864B (zh) | 2023-05-31 | 2023-05-31 | 一种模型漂移检测方法、装置、设备及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116340864B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934035A (zh) * | 2017-03-14 | 2017-07-07 | 合肥工业大学 | 一种基于类与特征分布的多标签数据流中概念漂移检测方法 |
| CN110717543A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 基于样本分布统计检验的双窗口概念漂移检测方法 |
| US11295241B1 (en) * | 2021-02-19 | 2022-04-05 | Sailpoint Technologies, Inc. | System and method for incremental training of machine learning models in artificial intelligence systems, including incremental training using analysis of network identity graphs |
| CN116032557A (zh) * | 2022-12-09 | 2023-04-28 | 清华大学 | 一种网络安全异常检测中深度学习模型的更新方法与装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7306469B2 (ja) * | 2019-10-24 | 2023-07-11 | 富士通株式会社 | 検出方法、検出プログラムおよび情報処理装置 |
| US20210279607A1 (en) * | 2020-03-09 | 2021-09-09 | International Business Machines Corporation | Explaining accuracy drift in production data |
| US11722359B2 (en) * | 2021-09-20 | 2023-08-08 | Cisco Technology, Inc. | Drift detection for predictive network models |
-
2023
- 2023-05-31 CN CN202310627704.0A patent/CN116340864B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934035A (zh) * | 2017-03-14 | 2017-07-07 | 合肥工业大学 | 一种基于类与特征分布的多标签数据流中概念漂移检测方法 |
| CN110717543A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 基于样本分布统计检验的双窗口概念漂移检测方法 |
| US11295241B1 (en) * | 2021-02-19 | 2022-04-05 | Sailpoint Technologies, Inc. | System and method for incremental training of machine learning models in artificial intelligence systems, including incremental training using analysis of network identity graphs |
| CN116032557A (zh) * | 2022-12-09 | 2023-04-28 | 清华大学 | 一种网络安全异常检测中深度学习模型的更新方法与装置 |
Non-Patent Citations (3)
| Title |
|---|
| 一种抗噪的概念漂移数据流分类方法;张玉红;胡学钢;李培培;;中国科学技术大学学报;41(04);347-352 * |
| 基于概念漂移检测算法的数据流分类模型;孙娜;;计算机工程与设计;34(09);3141-3297 * |
| 数据流决策树分类方法综述;贾涛;韩萌;王少峰;杜诗语;申明尧;;南京师大学报(自然科学版)(04);第55-66页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116340864A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
| CN113722438B (zh) | 基于句向量模型的句向量生成方法、装置及计算机设备 | |
| CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
| CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
| CN112131322A (zh) | 时间序列分类方法及装置 | |
| CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
| CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
| CN116680401A (zh) | 文档处理方法、文档处理装置、设备及存储介质 | |
| CN116796140A (zh) | 基于人工智能的异常分析方法、装置、设备及存储介质 | |
| CN116644298A (zh) | 一种对网络攻击检测模型性能检测的方法及其相关设备 | |
| CN116340864B (zh) | 一种模型漂移检测方法、装置、设备及其存储介质 | |
| CN115860835A (zh) | 基于人工智能的广告推荐方法、装置、设备及存储介质 | |
| CN112541705B (zh) | 生成用户行为评估模型的方法、装置、设备以及存储介质 | |
| CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
| CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
| CN116364223B (zh) | 特征处理方法、装置、计算机设备及存储介质 | |
| CN117172226A (zh) | 一种表单重构方法、装置、设备及其存储介质 | |
| CN116167872A (zh) | 异常医疗数据检测方法、装置及设备 | |
| CN117493563A (zh) | 一种会话意图分析方法、装置、设备及其存储介质 | |
| CN116756539A (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
| CN118228079A (zh) | 模糊超图生成方法、装置、计算机设备及存储介质 | |
| CN116611939A (zh) | 基于深度q学习优化理赔预测模型的方法及其相关设备 | |
| CN117197814A (zh) | 一种数据标准化方法、装置、设备及其存储介质 | |
| CN117114894A (zh) | 一种理赔结果预测方法、装置、设备及其存储介质 | |
| CN115757889A (zh) | 数据项的处理方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |