基于SHAP的新经典环向粘滞力矩可解释机器学习方法及系统

本发明提供基于SHAP的新经典环向粘滞力矩可解释机器学习方法及系统，涉及可控核聚变模型解释技术领域，本发明包括获取输入物理量并输入物理模型获得输出物理量，并且整理成数据集，通过数据集训练机器学习模型，分别通过PFI方法和SHAP方法判别输入物理量数据集中各个特征在机器学习模型中重要性，对PFI方法和SHAP方法所判别的重要性进行排序，对排名靠前的特征进一步分析，包括物理量采集模块、机器学习模型生成模块和模型可解释性计算模块，本发明挖掘具有黑盒属性的新经典环向粘滞力矩机器学习模型的特征重要性，在保证快速准确计算的同时兼顾了不同物理特征之间的相互作用关系，保证了预测结果的可解释性。