Область применения: в этой статье демонстрируется выполнение моделей многослойного персептрона (MLP) и результат объяснения модели.
Предыстория MLP не является основной темой этой статьи. Код реализации ниже. Основное отличие заключается в отсутствии необходимости преобразования данных в тензорный формат. Процедура создания модели (строка 4 ~ 7) очень похожа на тип LSTM. Объяснитель SHAP также проще в строке 27.
В предыдущем исследовании обсуждались методы LSTM и XGBoost. Если добавить результат прогнозирования MLP, между ними нет существенной разницы. Обратите внимание, что это модель обучения случайных ассоциаций без уравнений сопряжения.
Приведенный ниже результат объяснения SHAP указывает на то, что MLP дает наиболее точный результат по сравнению с методами LSTM и XGBoost. Значения MLP очень близки к заданным значениям веса.
Результат сравнения времени вычислений показывает, что метод MLP работает быстрее, чем другие методы.
Сравнение памяти узла показывает, что метод MLP использует меньше памяти, чем тип LSTM.
КОНЕЦ.
