基于SHAP动态调整多模态权重的模型优化方法

本发明公开一种基于SHAP动态调整多模态权重的模型优化方法，包括：步骤一，对多模态数据进行清洗与预处理；步骤二，构建多模态神经网络模型，对多模态数据进行特征提取；步骤三，基于AUC指标计算各模态数据的置信度；步骤四，使用SHAP方法计算各个模态特征对模型输出的贡献度，结合置信度对不同模态的输入权重进行自适应调整；步骤五，对自适应调整权重的多模态神经网络进行训练优化，并在测试集上验证模型分类性能。本发明方法使得不同模态的权重随训练过程自适应优化，从而提升分类任务的精度和鲁棒性，该方法可广泛适用于需要融合多源数据的机器学习任务，如医疗诊断、推荐系统、工业检测、智能制造和数据驱动决策等领域。