基于Python的机器学习模型自变量选择方法、系统及设备与流程

技术特征：
1.一种基于python的机器学习模型自变量选择方法，其特征在于，包括：获取构建所述机器学习模型所需的多个自变量；针对所述多个自变量中的每个自变量：构建第一机器学习模型和第二机器学习模型；所述第一机器学习模型包括广义线性模型；所述第二机器学习模型与第一机器学习模型相同；所述第一机器学习模型和第二机器学习模型的差异为构建时是否存在所述自变量；基于所述第一机器学习模型与第二机器学习模型，确定所述自变量是否为目标自变量；确定所述多个自变量中的至少一个目标自变量。2.根据权利要求1所述的方法，其特征在于，针对所述多个自变量中的每个自变量：构建第一机器学习模型和第二机器学习模型，包括：基于所述多个自变量构建第一机器学习模型；基于去除所述多个自变量中的所述自变量剩余的至少一个自变量，构建第二机器学习模型。3.根据权利要求1所述的方法，其特征在于，所述基于所述第一机器学习模型与第二机器学习模型，确定所述自变量是否为目标自变量，包括：基于所述第二机器学习模型与所述第一机器学习模型分别进行计算，获得所述第二机器学习模型与所述第一机器学习模型各自的偏差值；依据所述偏差值，获得卡方统计量；对所述卡方统计量，做卡方检验，获得卡方检验的显著性值；将所述显著性值与预设阈值比较，确定所述自变量是否为目标自变量。4.根据权利要求3所述的方法，其特征在于，所述依据所述偏差值，获得卡方统计量，包括：卡方统计量＝2*(第一机器学习模型的偏差值-第二机器学习模型的偏差值)。5.根据权利要求3所述的方法，其特征在于，所述将所述显著性值与预设阈值比较，确定所述自变量是否为目标自变量，包括：当显著性值小于预设阈值时，确定所述自变量为目标自变量；当显著性值大于预设阈值时，确定所述自变量不是目标自变量。6.根据权利要求3所述的方法，其特征在于，在确定所述多个自变量中的至少一个目标自变量之后还包括以下步骤：获取用户指定的目标自变量筛选条件；根据所述用户指定的目标自变量筛选条件从所述至少一个目标自变量中去除不满足用户指定的筛选条件的目标自变量；以经过用户指定的目标自变量筛选条件筛选后剩余的目标自变量构建车险定价模型。7.根据权利要求3所述的方法，其特征在于，所述根据所述用户指定的目标自变量筛选条件从所述至少一个目标自变量中去除不满足用户指定的筛选条件的目标自变量还包括以下步骤：根据用户指定的目标自变量筛选条件获取不满足用户指定的目标自变量的类型；逐个检验所确定的目标自变量的类型是否为不满足用户指定的目标自变量的类型；
若是则去除该目标自变量，如否则保留该目标自变量。8.一种基于python的机器学习模型自变量选择系统，其中，所述系统包括：获取模块，用于获取构建所述模型所需的多个自变量；处理模块，用于针对所述多个自变量中的每个自变量：构建第一机器学习模型和第二机器学习模型；所述第一机器学习模型包括广义线性模型；所述第二机器学习模型与第一机器学习模型相同；所述第一机器学习模型和第二机器学习模型的差异为构建时是否存在所述自变量；基于所述第一机器学习模型与第二机器学习模型，确定所述自变量是否为目标自变量；确定模块，用于确定所述多个自变量中的至少一个目标自变量。9.一种电子设备，包括处理器，其中，所述处理器用于执行如权利要求1～7任一项所述的机器学习模型自变量选择方法。10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～7任一项所述的机器学习模型自变量选择方法。

技术总结
本申请涉及人工智能领域，提供一种基于Python的机器学习模型自变量选择方法、系统及设备，所述方法包括：获取构建所述模型所需的多个自变量；针对所述多个自变量中的每个自变量：构建第一机器学习模型和第二机器学习模型；所述第一机器学习模型包括广义线性模型；所述第二机器学习模型与第一机器学习模型相同；所述第一机器学习模型和第二机器学习模型的差异为构建时是否存在所述自变量；基于所述第一机器学习模型与第二机器学习模型，确定所述自变量是否为目标自变量；确定所述多个自变量中的至少一个目标自变量。本申请通过在Python语言环境下实现自变量的筛选，可以不用基于SAS平台实现数据检验。基于SAS平台实现数据检验。基于SAS平台实现数据检验。


技术研发人员：于忠华 邹家伟 叶灵玲 熊寅庚 林杰 武荻忻
受保护的技术使用者：珠海鼎然信息科技有限公司
技术研发日：2022.11.09
技术公布日：2023/2/3