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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。