基于支持向量机的贷款评估方法、装置及设备制造方法及图纸

本申请公开了一种基于支持向量机的贷款评估方法、装置及设备，涉及数据处理技术领域，可以提高贷款评估效率和精确性，并且贷款审核通过率较高。其中方法包括：预先收集不同用户的用户数据，其中所述用户数据包含不同用户的用户属性数据、历史信用数据、用户投资数据；对所述用户数据进行处理，得到符合信用评分模型训练标准的训练数据；基于所述训练数据，利用支持向量机算法进行训练得到信用评分模型；当接收到贷款用户的贷款请求时，利用所述信用评分模型，分析得到所述贷款用户的信用评分和可贷款额度。本申请适用于贷款评估。

Method, device and equipment for loan evaluation based on support vector machine

The application discloses a loan evaluation method, device and equipment based on support vector machine, which relates to the technical field of data processing, can improve the efficiency and accuracy of loan evaluation, and has a high pass rate of loan audit. The method includes: collecting user data of different users in advance, wherein the user data includes user attribute data, historical credit data and user investment data of different users; processing the user data to obtain training data that conforms to the training standard of credit scoring model; and based on the training data, the benefit is obtained. The support vector machine algorithm is used to train the credit scoring model, and when the loan request is received, the credit scoring model is used to analyze and obtain the credit scoring and loan quota of the loan user. This application is applicable to loan evaluation.

【技术实现步骤摘要】
基于支持向量机的贷款评估方法、装置及设备
本申请涉及数据处理
，尤其是涉及到一种基于支持向量机的贷款评估方法、装置及设备。
技术介绍
信用记录指信用评级机构依托来自某一渠道或社会各方、能够判断经济主体信用状况的信息，按一定标准和指标进行评价之后，用一定符号或文字表示的关于经济主体信用的说明。目前，在各金融机构评估个人信用记录进行贷款评估时，主要是依靠信贷员的个人经验进行判断。然而，这样不仅效率低下，而且由于人的不可控因素较多，会影响贷款评估的精确性，进而制约了金融机构的发展。同时由于信贷员贷款审核往往比较谨慎，会导致贷款审核通过率过低，无法满足广大用户的贷款需求，从而不能给贷款用户带来较好的体验。
技术实现思路
有鉴于此，本申请提供了一种基于支持向量机的贷款评估方法、装置及设备，主要目的在于解决目前现有主要依靠信贷员的个人经验评估个人信用记录进行贷款评估，不仅效率低下，而且由于人的不可控因素较多，会影响贷款评估的精确性，并且会导致贷款审核通过率过低的问题。根据本申请的一个方面，提供了一种基于支持向量机的贷款评估方法，该方法包括：预先收集不同用户的用户数据，其中所述用户数据包含不同用户的用户属性数据、历史信用数据、用户投资数据；对所述用户数据进行处理，得到符合信用评分模型训练标准的训练数据；基于所述训练数据，利用支持向量机算法进行训练得到信用评分模型；当接收到贷款用户的贷款请求时，利用所述信用评分模型，分析得到所述贷款用户的信用评分和可贷款额度。根据本申请的另一方面，提供了一种基于支持向量机的贷款评估装置，该装置包括：收集单元，用于预先收集不同用户的用户数据，其中所述用户数据包含不同用户的用户属性数据、历史信用数据、用户投资数据；处理单元，用于对所述收集单元收集到的用户数据进行处理，得到符合信用评分模型训练标准的训练数据；训练单元，用于基于所述处理单元得到的训练数据，利用支持向量机算法进行训练得到信用评分模型；分析单元，用于当接收到贷款用户的贷款请求时，利用所述训练单元得到的信用评分模型，分析得到所述贷款用户的信用评分和可贷款额度。依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于支持向量机的贷款评估方法。依据本申请再一个方面，提供了一种基于支持向量机的贷款评估的实体设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于支持向量机的贷款评估方法。借由上述技术方案，本申请提供的一种基于支持向量机的贷款评估方法、装置及设备，与目前主要依靠信贷员的个人经验评估个人信用记录进行贷款评估的方式相比，本申请根据预先收集的不同用户数据进行处理得到训练数据，然后基于该训练数据利用支持向量机算法进行训练得到信用评分模型，在接收到贷款用户的贷款请求时，可以利用该信用评分模型自动分析得到贷款用户的信用评分和可贷款额度，无需人工靠经验进行贷款评估，可以提高贷款评估效率和精确性，并且贷款审核通过率较高，可以满足广大用户的贷款需求，能够给贷款用户带来较好的使用体验，有利于金融机构的发展。上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1示出了本申请实施例提供的一种基于支持向量机的贷款评估方法的流程示意图；图2示出了本申请实施例提供的一种基于支持向量机的贷款评估方法实施的整体架构示意图；图3示出了本申请实施例提供的一种基于支持向量机的贷款评估装置的结构示意图。具体实施方式下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。针对现有主要依靠信贷员的个人经验评估个人信用记录进行贷款评估，不仅效率低下，而且由于人的不可控因素较多，会影响贷款评估的精确性，并且会导致贷款审核通过率过低的问题，本申请实施例提供了一种基于支持向量机的贷款评估方法，可以提高贷款评估效率和精确性，并且贷款审核通过率较高，如图1所示，该方法包括：101、预先收集不同用户的用户数据。其中，用户数据包含不同用户的用户属性数据、历史信用数据、用户投资数据。用户属性数据可以包括用户的姓名、性别、年龄、职业、月平均收入和消费水平、名下财产、居住地、户口所在地、籍贯等；历史信用数据可以包括用户的历史信用评分、信用卡历史消费和还款记录、历史信贷还款情况、骗保记录等；用户投资数据可以包括用户理财记录、投资项目、投资额及其回报情况等。在本实施例中，可以通过查询金融机构、保险公司、银行、购物网站等存在的用户记录、或通过第三方平台、用户网上调查问卷等方式收集不同用户的用户数据。对于本实施例的执行主体可以为贷款评估的装置或设备，可以配置在贷款评估方侧，用于基于收集到的用户数据，对贷款请求方进行贷款评估。102、对预先收集到的用户数据进行处理，得到符合信用评分模型训练标准的训练数据。其中，信用评分模型可以为基于支持向量机算法训练得到的模型。对于本实施例，为了训练得到精确的信用评分模型需要对收集到的用户数据进行预处理，例如删掉或修复无效的数据、调整用户数据格式以便模型训练读取等方式，使得得到的数据符合信用评分模型训练内容、格式等标准。103、基于处理得到的训练数据，利用支持向量机算法进行训练得到信用评分模型。其中，支持向量机(SupportVectorMachine，SVM)算法与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。在机器学习中，支持向量机(还支持矢量网络)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。支持向量机算法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。因此在本实施例中，参照预先收集到的用户数据的小样本、非线性、高维等特点，利用支持向量机算法可以更好的训练得到用于贷款评估的信用评分模型。104、当接收到贷款用户的贷款请求时，利用信用评分模型，分析得到贷款用户的信用评分和可贷款额度。其中，贷款请求携带有贷款用户的用户属性数据、历史信用数据、用户投资数据等，将这些数据代入到信用评分模型中进行贷款评估预测，对该贷款用户进行分类，得到该贷款用户的信用评分和可贷款额度。对于本实施例方法实施的整体架构可以参见图2所示。进一步的，贷款请求中还可携带有贷款用户的贷款资金用途信息，结合信用评分模型得到的分析结果，可以更好的评估贷款用户的信用等级，实时主动的进行授信额度调整。例如，如果贷款用户的贷款资金用途为购买商品，结合信用评分模型得到的分析结果，可以按照分析得到的可贷款额度满额为该贷款用户提供贷款；如果贷款用户的贷款资金用途为偿还信用卡，说明贷款用户资金不足，可能会存在坏账的情本文档来自技高网...

【技术保护点】
1.一种基于支持向量机的贷款评估方法，其特征在于，包括：预先收集不同用户的用户数据，其中所述用户数据包含不同用户的用户属性数据、历史信用数据、用户投资数据；对所述用户数据进行处理，得到符合信用评分模型训练标准的训练数据；基于所述训练数据，利用支持向量机算法进行训练得到信用评分模型；当接收到贷款用户的贷款请求时，利用所述信用评分模型，分析得到所述贷款用户的信用评分和可贷款额度。

【技术特征摘要】
1.一种基于支持向量机的贷款评估方法，其特征在于，包括：预先收集不同用户的用户数据，其中所述用户数据包含不同用户的用户属性数据、历史信用数据、用户投资数据；对所述用户数据进行处理，得到符合信用评分模型训练标准的训练数据；基于所述训练数据，利用支持向量机算法进行训练得到信用评分模型；当接收到贷款用户的贷款请求时，利用所述信用评分模型，分析得到所述贷款用户的信用评分和可贷款额度。2.根据权利要求1所述的方法，其特征在于，对所述用户数据进行处理，得到符合信用评分模型训练标准的训练数据，具体包括：利用多重填补法对所述用户数据中存在缺失值的数据进行插补缺失值处理；将所述插补缺失值处理后的所述用户数据利用箱线图进行分析，识别所述箱线图中的异常数据并进行删除；将删除异常数据后的所述用户数据进行对数变换和归一化处理，得到符合信用评分模型训练标准的训练数据。3.根据权利要求2所述的方法，其特征在于，基于所述训练数据，利用支持向量机算法进行训练得到信用评分模型，具体包括：基于所述训练数据，利用Bagging算法构建多个训练集合，其中所述训练集合是由从所述训练数据中随机抽取的多个样本进行训练得到的，每轮训练得到一个训练集合；分别在每个训练集合中随机选择预定数量的特征样本进行核函数建模，所述特征样本包括正样本和负样本；在训练集合建模后，通过模式搜索算法求解核函数得到最优超平面，所述最优超平面能够分割训练集合中随机选择的正样本和负样本，且使得分割后的正负样本与所述最优超平面之间间隔最大；基于每个训练集合对应的最优超平面的函数，生成得到每个训练集合对应的分类器；从所述训练数据中随机抽样得到验证数据，并利用所述验证数据，计算每一个分类器与其它多个分类器之间的相关性系数；选择相关性系数最小的一组分类器进行集成，得到信用评分模型。4.根据权利要求3所述的方法，其特征在于，所述贷款请求中携带有所述贷款用户的身份标识信息，利用所述信用评分模型，分析得到所述贷款用户的信用评分和可贷款额度，具体包括：利用所述身份标识信息，查询为训练所述信用评分模型而预先收集的不同用户数据中是否存在所述贷款用户的用户数据；若存在，则将存在的所述贷款用户的用户数据代入到所述信用评分模型中进行分类，确定所述贷款用户的类型结果；将与所述类型结果对应的信用评分、和与信用评分所属信用评分分数段对应的可贷款额度，分别确定为所述贷款用户的信用评分和可贷款额度，其中不同类型结果分别对应不同信用评分，且不同信用评分分数段分别对应不同可贷款额度。5.根据权利要求4所述的方法，其特征在于，在利用所...

【专利技术属性】
技术研发人员：张雷，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东,44