一种信用评分模型的建立方法及装置制造方法及图纸

本发明专利技术提供一种信用评分模型的建立方法及装置，该装置包括：获取包括授信客户的相关信息及信用评分的第一类训练样本；初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。本发明专利技术可以解决现有的拒接推断的方法均独立分类模型之外的问题，改善了信用程度评分的判别能力，并且给出了一个量化可操作的过程。

A method and device for establishing credit scoring model

The invention provides a method and a device for establishing a credit scoring model, which includes: obtaining the relevant information of credit customers and the first type of training samples for credit scoring; initializing the classification model, and using the first type of training samples to train the initialized classification model, and obtaining the preliminary credit scoring model after the training; obtaining the relevant information of the rejected customers Input the information into the preliminary credit scoring model to get the credit score of the rejected customer; take the relevant information and credit score of the rejected customer and the relevant information and credit score of the credit customer as the second type of training samples; initialize the classification model, and train the initialized classification model with the second type of training samples, and get the final credit score after the training Model. The invention can solve the problem that the existing methods of rejecting inference are all independent classification models, improve the discrimination ability of credit rating, and provide a quantifiable and operable process.

【技术实现步骤摘要】
一种信用评分模型的建立方法及装置
本专利技术涉及分类模型应用
具体涉及一种信用评分模型的建立方法及装置。
技术介绍
在信贷领域，贷款方需要向放款方申请贷款，放款方基于贷款方的相关信息进行审核，审核通过后的贷款方为授信客户，审核未通过的为拒绝客户。对于授信客户，根据授信客户的贷款请求进行放款，后期放款方根据授信客户的相关信息对授信客户的信用程度进行区分，该相关信息可以包括授信客户的个人信息，也可以进一步包括授信客户在一段时间内的贷款还款记录等，区分后确定该授信客户是信用程度高的好客户(如未逾期的客户)、还是信用程度低的坏客户(如存在逾期的客户)。利用上述授信客户的相关信息及其对应的信用程度作为训练样本，对分类模型进行训练，训练结束后利用分类模型，根据其他的授信客户的相关信息，对其他的授信客户进行信用程度分类。但是，上述分类模型仅利用授信客户的相关信息及信用卡程度作为训练数据进行建模，仅可以对授信客户进行信用程度分类，无法对拒绝客户进行信用程度分类，这样就在对客户进行信用程度评分时，总是“使用部分样本数据去估计总体”，因而存在参数估计的偏差。因此提出了拒绝推理(rejectinference)，又称拒绝推断，拒绝推断就是为了推断出拒绝客户的信用程度评分，改善信用程度评分的判别能力。目前提出几种常用的拒绝推断方法，如重新分类法(Reclassification)、分散打包法(Parceling)、重新加权法(Reweighting)等，但这些方法均独立分类模型之外，未能充分利用拒绝客户的信用程度，并不是一个量化的可操作性的方法。
技术实现思路
本专利技术提供一种信用评分模型的建立方法及装置，用以解决现有的拒接推断的算法均独立分类模型之外，未能充分利用拒绝客户的信用程度，并不是一个量化的可操作性的方法的问题。第一方面，本申请提供一种信用评分模型的建立方法，该方法包括：获取包括授信客户的相关信息及信用评分的第一类训练样本；初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。可选的，所述信用评分为信用度，所述第一类训练样本/第二类训练样本中，包括信用度小于设定阈值的负样本及信用度大于设定阈值的正样本。可选的，还包括：检测当前设定阈值划分的第一类训练样本/第二类训练样本中的正样本和负样本是否满足如下关系式，若不满足调整设定阈值至满足如下关系式：第一类训练样本中的所有正样本的信用评分平均值，第二类训练样本中所有拒绝客户的信用评分平均值，第一类训练样本中所有授信客户的信用评分平均值，第二训练样本中属于正样本的所有授信客户的信用评分平均值，为依次从大到小的顺序。可选的，所述信用评分为失信度，所述第一类训练样本/第二类训练样本中，包括失信度小于设定阈值的正样本及失信度大于设定阈值的负样本；可选的，还包括：检测当前设定阈值划分的第一类训练样本/第二类训练样本中的正样本和负样本是否满足如下关系式，若不满足调整设定阈值至满足如下关系式：第一类训练样本中的所有正样本的信用评分平均值，第二类训练样本中所有拒绝客户的信用评分平均值，第一类训练样本中所有授信客户的信用评分平均值，第二训练样本中属于正样本的所有授信客户的信用评分平均值，为依次从小到大的顺序。可选的，还包括：获取到待分类的授信客户/拒绝客户的相关信息并输入到最终的信用评分模型；根据所述最终的信用评分模型输出的信用评分与设定阈值的关系，确定所述待分类的授信客户/拒绝客户的分类。可选的，包括：利用如下任一分类算法构建信用评分模型：决策树分类算法、随机森林分类算法、逻辑回归分类算法、神经网络分类算法。第二方面，本申请提供一种信用评分模型的建立装置，该装置包括：获取模块，用于获取包括授信客户的相关信息及信用评分的第一类训练样本；初步训练模块，用于初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；运行模块，用于获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；样本获取模块，将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；最终训练模块，初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。第三方面，本申请提供一种信用评分模型的建立装置，包括：存储器、处理器；其中，所述存储器用于存储程序；所述处理器用于执行所述存储器中的程序，包括如下步骤：获取包括授信客户的相关信息及信用评分的第一类训练样本；初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。第四方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第一方面所述方法的步骤。另外，第二方面至第四方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。利用本专利技术提供的信用评分模型的建立方法及装置，具有以下有益效果：本专利技术提供的一种信用评分模型的建立方法及装置，可以在对客户进行信用程度评分时，利用授信客户的相关信息及信用卡程度及拒绝客户的相关信息及信用卡程度作为训练数据进行建模，改善了信用程度评分的判别能力，并且给出了一个量化可操作的过程。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种信用评分模型的建立方法示意图；图2为本专利技术实施例提供的一种信用评分模型的建立方法示意图；图3为本专利技术实施例提供的一种信用评分模型的建立方法示意图；图4为本专利技术实施例提供的一种信用评分模型的建立装置示意图；图5为本专利技术实施例提供的一种信用评分模型的建立装置示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附本文档来自技高网...

【技术保护点】
1.一种信用评分模型的建立方法，其特征在于，该方法包括：/n获取包括授信客户的相关信息及信用评分的第一类训练样本；/n初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；/n获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；/n将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；/n初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。/n

【技术特征摘要】
1.一种信用评分模型的建立方法，其特征在于，该方法包括：
获取包括授信客户的相关信息及信用评分的第一类训练样本；
初始化分类模型，并利用所述第一类训练样本对初始化后的分类模型进行训练，训练结束后得到初步信用评分模型；
获取拒绝客户的相关信息并输入到所述初步信用评分模型，得到所述拒绝客户的信用评分；
将拒绝客户的相关信息及信用评分，授信客户的相关信息及信用评分作为第二类训练样本；
初始化分类模型，并利用第二类训练样本对初始化后的分类模型进行训练，训练结束后得到最终信用评分模型。


2.根据权利要求1所述的方法，其特征在于，所述信用评分为信用度，所述第一类训练样本/第二类训练样本中，包括信用度小于设定阈值的负样本及信用度大于设定阈值的正样本。


3.根据权利要求2所述的方法，其特征在于，还包括：
检测当前设定阈值划分的第一类训练样本/第二类训练样本中的正样本和负样本是否满足如下关系式，若不满足调整设定阈值至满足如下关系式：
第一类训练样本中的所有正样本的信用评分平均值，第二类训练样本中所有拒绝客户的信用评分平均值，第一类训练样本中所有授信客户的信用评分平均值，第二训练样本中属于正样本的所有授信客户的信用评分平均值，为依次从大到小的顺序。


4.根据权利要求1所述的方法，其特征在于，所述信用评分为失信度，所述第一类训练样本/第二类训练样本中，包括失信度小于设定阈值的正样本及失信度大于设定阈值的负样本。


5.根据权利要求4所述的方法，其特征在于，还包括：
检测当前设定阈值划分的第一类训练样本/第二类训练样本中的正样本和负样本是否满足如下关系式，若不满足调整设定阈值至满足如下关系式：
第一类训练样本中的所有正样本的信用评分平均值，第二类训练样本中所有拒绝客户的信用评分平均值，第一类训练样本中所有授信客户的信用评分平均值，第二训练样本中属于正样本的所有授信客户的信用评分平均值，为依次从小到大的顺序。


6.根据权利要求2～5任一所述的方法，其...

【专利技术属性】
技术研发人员：曾伟雄，莫卉星，纪磊，
申请(专利权)人：联动优势科技有限公司，
类型：发明
国别省市：北京;11