基于机器学习的信用风险评估模型生成方法及相关设备技术

本发明专利技术涉及机器学习领域，其公开了一种基于机器学习的信用风险评估模型生成方法及相关设备，所述方法包括：获取用户的贷款样本数据；统计所述贷款样本数据中存有的预设样本数据；在所述贷款样本数据中存有的预设样本数据数量达到预设阈值时，将所述贷款样本数据作为目标训练数据；将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型。本发明专利技术通过预设样本数据对贷款样本数据进行预先判断，将判断后的有效的贷款样本数据对预先建立的信用风险评估模型进行训练，从而生成目标信用风险评估模型，通过有效的样本数据对机器模型进行训练，从而缩短机器模型的迭代周期。

Credit Risk Assessment Model Generation Method and Related Equipment Based on Machine Learning

The invention relates to the field of machine learning, which discloses a method for generating credit risk assessment model based on machine learning and related equipment. The method includes: obtaining loan sample data of users; counting preset sample data stored in loan sample data; and when the number of preset sample data stored in loan sample data reaches the preset threshold, lending. Sample data are used as target training data; the target training data are transformed into loss function, and the loss function is added to the preset credit risk assessment model for training, so as to generate the target credit risk assessment model. The invention prejudges loan sample data by preset sample data, trains pre-established credit risk assessment model with valid loan sample data after judgment, thus generates target credit risk assessment model, trains machine model by valid sample data, thus shortens the iteration period of machine model.

【技术实现步骤摘要】
基于机器学习的信用风险评估模型生成方法及相关设备
本专利技术涉及机器模型
，尤其涉及一种基于机器学习的信用风险评估模型生成方法及相关设备。
技术介绍
机器学习是一种终端设备利用数据进行各种工作的方法，通过机器学习可对输入的数据进行分析，总结出数据中的规律并生成机器模型，从而实现对数据的分析和判断，但是，判断生成的机器模型是否精确需要通过较长时间的表现才能得到，从而加大机器学习模型的迭代周期。
技术实现思路
本专利技术的主要目的在于提出一种基于机器学习的信用风险评估模型生成方法及相关设备，旨在缩短机器模型的迭代周期。为实现上述目的，本专利技术提供一种基于机器学习的信用风险评估模型生成方法，所述基于机器学习的信用风险评估模型生成方法包括以下步骤：获取用户的贷款样本数据；统计所述贷款样本数据中存有的预设样本数据；在所述贷款样本数据中存有的预设样本数据数量达到预设阈值时，将所述贷款样本数据作为目标训练数据；将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型。优选地，所述预设样本数据包括逾期时间信息或迁移率信息。优选地，所述统计所述贷款样本数据中存有的预设样本数据之前，所述方法还包括：将所述贷款样本数据与预设样本数据进行比较，在所述贷款样本数据中存有所述预设样本数据时，通过第一预设公式计算所述预设样本数据占所述贷款样本数据的集中度信息，所述第一预设公式为：其中，CR表示集中度信息，Xi表示所述预设样本数据，X表示所述贷款样本数据，S表示所述预设样本数据占所述贷款样本数据中的比例，i表示第i个贷款样本数据，n表示所述贷款样本数据的数量；根据所述集中度信息统计所述贷款样本数据中存有的预设样本数据。优选地，所述根据所述集中度信息统计所述贷款样本数据中存有的预设样本数据，包括：获取预设样本数据占所述贷款样本数据的集中度信息，根据所述集中度信息将所述贷款样本数据由高到底的顺序进行排序，判断所述贷款样本数据中存有的预设样本数据的数量。优选地，所述将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型，包括：获取所述目标训练数据的信用风险实际值，并根据所述目标训练数据进行预测，获取所述目标训练数据的信用风险预测值，根据所述信用风险实际值和所述信用风险预测值将所述目标训练数据通过第二预设公式转换为损失函数，将所述损失函数添加进预设信用风险评估模型进行训练，从而生成所述目标信用风险评估模型。优选地，所述第二预设公式为：其中，J表示损失函数，w、b表示所述目标训练数据的线性关系，y表示所述目标训练数据的信用风险实际值，表示对所述目标训练数据的信用风险预测值，i表示第i个所述目标训练数据，m表示所述目标训练数据的数量。优选地，所述将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型之前，所述方法还包括：获取历史贷款样本数据，将所述历史贷款样本数据与预设信用风险数据进行比较，根据比较结果提取所述历史贷款样本数据中的预设信用风险数据，获取所述预设信用风险数据中的目标信用风险特征变量，将所述目标信用风险特征变量输入到预先建立的卷积神经网络中，获得所述预设信用风险评估模型。此外，为实现上述目的，本专利技术还提出一种基于机器学习的信用风险评估模型生成装置，所述基于机器学习的信用风险评估模型生成装置包括：获取模块，用于获取用户的贷款样本数据；统计模块，用于统计所述贷款样本数据中存有的预设样本数据；定义模块，用于在所述贷款样本数据中存有的预设样本数据数量达到预设阈值时，将所述贷款样本数据作为目标训练数据；生成模块，用于将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型。此外，为实现上述目的，本专利技术还提出一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于机器学习的信用风险评估模型生成程序，所述基于机器学习的信用风险评估模型生成程序配置为实现如上所述的基于机器学习的信用风险评估模型生成方法的步骤。此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有基于机器学习的信用风险评估模型生成程序，所述基于机器学习的信用风险评估模型生成程序被处理器执行时实现如上文所述的基于机器学习的信用风险评估模型生成方法的步骤。本专利技术提出的基于机器学习的信用风险评估模型生成方法，通过预设样本数据对贷款样本数据进行预先判断，将判断后的有效的贷款样本数据对预先建立的预设信用风险评估模型进行训练，从而生成目标信用风险评估模型，通过有效的样本数据对机器模型进行训练，从而缩短机器模型的迭代周期。附图说明图1是本专利技术实施例方案涉及的硬件运行环境的终端设备结构示意图；图2为本专利技术基于机器学习的信用风险评估模型生成方法第一实施例的流程示意图；图3为本专利技术基于机器学习的信用风险评估模型生成方法第二实施例的流程示意图；图4为本专利技术基于机器学习的信用风险评估模型生成方法第三实施例的流程示意图；图5为本专利技术基于机器学习的信用风险评估模型生成装置第一实施例的功能模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的终端设备结构示意图。如图1所示，该终端设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于机器学习的信用风险评估模型生成程序。在图1所示的终端设备中，网络接口1004主要用于连接外网，与其他网络终端设备进行数据通信；用户接口1003主要用于连接用户终端设备，与终端设备进行数据通信；本专利技术终端设备通过处理器1001调用存储器1005中存储的基于机器学习的信用风险评估模型生成程序，并执行本专利技术实施例提供的基于机器学习的信用风险评估模型生成的实施方法。基于上述硬件结构，提出本专利技术基于机器学习的信用风险评估模型生成方法实施例。参照图2，图2为本专利技术基于机器学习的信用风险评估模型生成方法第一实施例的流程示意图。在第一实施例中，所述基于机器学习的信用风险评估模型生成方法包括以下步骤：步骤S10，获取用户的贷款样本数据。本文档来自技高网...

【技术保护点】
1.一种基于机器学习的信用风险评估模型生成方法，其特征在于，所述基于机器学习的信用风险评估模型生成方法包括：获取用户的贷款样本数据；统计所述贷款样本数据中存有的预设样本数据；在所述贷款样本数据中存有的预设样本数据数量达到预设阈值时，将所述贷款样本数据作为目标训练数据；将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型。

【技术特征摘要】
1.一种基于机器学习的信用风险评估模型生成方法，其特征在于，所述基于机器学习的信用风险评估模型生成方法包括：获取用户的贷款样本数据；统计所述贷款样本数据中存有的预设样本数据；在所述贷款样本数据中存有的预设样本数据数量达到预设阈值时，将所述贷款样本数据作为目标训练数据；将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型。2.如权利要求1所述的基于机器学习的信用风险评估模型生成方法，其特征在于，所述预设样本数据包括逾期时间信息或迁移率信息。3.如权利要求1所述的基于机器学习的信用风险评估模型生成方法，其特征在于，所述统计所述贷款样本数据中存有的预设样本数据之前，所述方法还包括：将所述贷款样本数据与预设样本数据进行比较，在所述贷款样本数据中存有所述预设样本数据时，通过第一预设公式计算所述预设样本数据占所述贷款样本数据的集中度信息，所述第一预设公式为：其中，CR表示集中度信息，Xi表示所述预设样本数据，X表示所述贷款样本数据，S表示所述预设样本数据占所述贷款样本数据中的比例，i表示第i个贷款样本数据，n表示所述贷款样本数据的数量；根据所述集中度信息统计所述贷款样本数据中存有的预设样本数据。4.如权利要求3所述的基于机器学习的信用风险评估模型生成方法，其特征在于，所述根据所述集中度信息统计所述贷款样本数据中存有的预设样本数据，包括：获取预设样本数据占所述贷款样本数据的集中度信息，根据所述集中度信息将所述贷款样本数据由高到底的顺序进行排序，判断所述贷款样本数据中存有的预设样本数据的数量。5.如权利要求1至4中任一项所述的基于机器学习的信用风险评估模型生成方法，其特征在于，所述将所述目标训练数据转换为损失函数，并将所述损失函数添加进预设信用风险评估模型进行训练，从而生成目标信用风险评估模型，包括：获取所述目标训练数据的信用风险实际值，并根据所述目标训练数据进行预测，获取所述目标训练数据的信用风险预测值，根据所述信用风险实际值和所述信用风险预测值将所述目标训练数据通过第二预设公式转换为损失函数，将所述损失函数添加进...

【专利技术属性】
技术研发人员：苏晓翠，
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