基于校准机器学习的可靠技术定价模型设计
计算与语言
2024-06-11 v1 人工智能
摘要
机器学习(ML)通过预测专利的高精度价值，彻底变革了技术定价的数字化转型。然而，这些模型可靠性缺乏验证，阻碍了专家充分信赖模型预测的置信度。为此，我们提出了一个基于校准机器学习模型的可靠技术定价分析框架，提供对模型预测中稳健置信水平的保证。我们提取代表各种技术特征的定量专利指标作为输入数据，将专利维持期限作为技术价值的代理。开发了多个机器学习模型来捕捉专利指标与技术价值之间非线性关系。评估了这些模型的可靠性和准确性，呈现出期望校准误差、 Matthews相关系数和F1得分的Pareto前沿图。 After识别出表现最佳的模型，我们应用SHapley Additive exPlanation (SHAP)分析，通过置信区间 pinpoint 最重要的输入特征。通过案例研究，我们确认了该方法为开发可靠且准确的基于机器学习的技术定价模型提供了实际指南，对学术界和行业都有重要意义。
引用
@article{arxiv.2406.05446,
title = {Design of reliable technology valuation model with calibrated machine learning of patent indicators},
author = {Seunghyun Lee and Janghyeok Yoon and Jaewoong Choi},
journal= {arXiv preprint arXiv:2406.05446},
year = {2024}
}