结合专家经验模型与有监督机器学习算法的信用信息系统技术方案

本发明专利技术属于数据处理技术领域，公开了一种结合专家经验模型与有监督机器学习算法的信用信息系统，信用信息系统包括样本评判模块用于通过专家模型根据重要的样本特征来对整个样本做出评判，得到初步的信用分；样本排序模块用于通过样本评判模块得到的信用分Y将样本X进行排序，并得到监督机器学习算法的数据集；模型构建模块用于构建有监督机器学习模型，进行数据集的训练，并得到稳定模型及信用分标签Y’；模型验证模块用于验证机器学习模型。本发明专利技术结合专家模型与有监督机器学习算法进行信用评分，训练出来的机器学习模型不依赖于样本数据的分布，解决了利用机器学习模型没有标注数据的问题，能够实现信用评分模型的精准预测。

Credit information system based on expert experience model and supervised machine learning algorithm

【技术实现步骤摘要】
结合专家经验模型与有监督机器学习算法的信用信息系统
本专利技术属于数据处理
，尤其涉及一种结合专家经验模型与有监督机器学习算法的信用信息系统。
技术介绍
目前，最接近的现有技术：现有技术试图在很多行业、企业或社会组织进行信用评分时，常常面临这样的现状：虽然已经累积了大量数据，但基本没有可用于有监督机器学习的标注数据。由于缺乏标注数据，无法利用当前流行的预测比较精准的有监督机器学习方法；而传统的专家经验模型通常是挑选少数重要数据指标，利用专家经验做出判断，得到信用评分，但是其缺点是没有充分利用已有的多维度大数据，而且存在主观性较强，得到的信用评分结果往往不够准确。专家经验模型主要依赖人类专家，根据心理学家的研究：人区分信息等级的极限能力为7±2级，所以当数据指标超过9个时，即使最好的专家也难以区分不同指标的重要性。所以专家经验模型，通常挑选少数数据指标，依据专家经验判断，获得指标权重，进而计算出信用评分。其主要缺点在于：(1)由于挑选的数据指标比较少，得到信用分不够精准；(2)不适合处理多维度大数据，也就无法充分利用所累积的大数据。本文档来自技高网...

【技术保护点】
1.一种结合专家经验模型与有监督机器学习算法的信用信息系统，其特征在于，所述信用信息系统包括：样本评判模块、样本排序模块、模型构建模块和模型验证模块；/n样本评判模块，用于通过专家模型根据重要的样本特征来对整个样本做出评判，得到初步的信用分；/n样本排序模块，用于通过样本评判模块得到的信用分Y将样本X进行排序，并抽取高分段和低分段的数据样本和信用分作为有监督机器学习算法的数据集；/n模型构建模块，用于构建有监督机器学习模型，进行数据集的训练；通过训练得到稳定模型，即可对样本重新预测新的信用分，得到准确的信用分标签Y’；/n模型验证模块，用于验证机器学习模型，以及对应的样本特征是否准确影响信用分...

【技术特征摘要】
1.一种结合专家经验模型与有监督机器学习算法的信用信息系统，其特征在于，所述信用信息系统包括：样本评判模块、样本排序模块、模型构建模块和模型验证模块；
样本评判模块，用于通过专家模型根据重要的样本特征来对整个样本做出评判，得到初步的信用分；
样本排序模块，用于通过样本评判模块得到的信用分Y将样本X进行排序，并抽取高分段和低分段的数据样本和信用分作为有监督机器学习算法的数据集；
模型构建模块，用于构建有监督机器学习模型，进行数据集的训练；通过训练得到稳定模型，即可对样本重新预测新的信用分，得到准确的信用分标签Y’；
模型验证模块，用于验证机器学习模型，以及对应的样本特征是否准确影响信用分的生成。


2.一种如权利要求1所述结合专家经验模型与有监督机器学习算法的信用信息系统的信用信息处理方法，其特征在于，所述信用信息处理方法包括以下步骤：
步骤一，通过专家模型根据重要的样本特征来对整个样本X做出评判，得到初步的信用分Y；
步骤二，通过步骤一得到的信用分Y将样本X进行排序，并抽取高分段和低分段的数据样本和信用分作为有监督机器学习算法的数据集；
步骤三，构建有监督机器学习模型，进行数据集的训练；通过训练得到稳定模型，即可对样本重新预测新的信用分，得到准确的信用分标签Y’；
步骤四，验证机器学习模型以及对应的样本特征是否准确影响信用分的生成。


3.如权利要求1所述的信用信息处理方法，其特征在于，步骤一的样本评判方法为：
给定输入样本Xi∈{x1,x2,...,xn}其中i＝1,2,...m,m为样本个数，n为单个样本的特征个数，假设重要特征指标...

【专利技术属性】
技术研发人员：何儒汉，苏裕益，向俐双，万方名，胡新荣，陈常念，刘军平，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：湖北;42