如何最大限度地利用特征值约束的ML模型输出预测？

Question

我们的团队开发了一个细粒度的客户级ML模型，它可以预测给定数量的晋升(电话、电子邮件、会议、印象等)的收入(因变量)。很少有客户的分类细节(地址、指定、分段等)。

一旦模型建立，我们就应该给出“最优”促销，在这种促销活动中，收入在一定的约束条件下在个人层面上最大化(比如在一定数量下的整体促销支出等)，因此每个促销活动都有成本，因此约束本质上就像独立特征值的界限一样。

目前，我们模拟所有可能的促销值，用于呼叫、电子邮件、会议、印象等(类别变量对单个客户不发生变化)，并通过模型预测为每个个人获得最佳的收入情况。

这个方法的问题是它是一个蛮力方法。我们有100万客户，模拟各种数量的促销条目(很多组合)最终会得到巨大的数据，而预测本身就需要很长的时间。

考虑到这是一个简单的最大化问题，但它以ML模型预测输出(在我们的情况下)作为给定输入特征的函数，我们正在寻找任何优化器，它可以不需要数据模拟就能解决这个问题。它类似于excel中的一个求解函数，其中目标函数是一个ML模型预测。

一个简单的类比-加利福尼亚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，比如一个神经网络)，那么在不显式模拟数据的情况下，如何估计每个县的房价最大值(假设数据也有县信息)的最佳特征值(有一些约束)。

Answer 1

我鼓励你研究一些解决办法，如石灰或沙普：

1. https://github.com/slundberg/shap -通过游戏Theory.
2. https://github.com/marcotcr/lime的模型解释-通过本地可解释的拟合模型解释。