基于影响因素检测的用户信用风险预测方法及装置制造方法及图纸

本申请提供了一种基于影响因素检测的用户信用风险预测方法及装置，该方法包括：根据预获取的目标特征变量清单和该目标特征变量清单中的各个目标特征变量各自对应的影响程度参数范围，获得目标用户分别针对各个所述目标特征变量的目标特征变量值和各个所述目标特征变量值各自对应的影响程度参数值，其中，各个所述目标特征变量分别用于表示不同的用户特征；基于各个所述目标特征变量值和各自对应的影响程度参数值，应用预设的用户信用风险预测模型确定所述目标用户的信用风险预测结果。本申请能够提高获取用户信用风险影响因素的效率和可靠性，进而提高用户信用风险预测的效率和可靠性。

User credit risk prediction method and device based on influencing factor detection

【技术实现步骤摘要】
基于影响因素检测的用户信用风险预测方法及装置
本申请涉及人工智能
，尤其涉及一种基于影响因素检测的用户信用风险预测方法及装置。
技术介绍
风险分析人员和风险管控人员在运用信用风险模型预测风险客体对象的信用风险时，不仅要求模型预测准确，更加关注该客体的风险成因，以助于找到对风险成因，采用相应有效的措施，进一步优化信用风险模型；同时也需要能够从单个客体和模型中归纳提炼出共性的信息，提升整体风险防控能力。机器学习模型大多为黑盒模型，无法直接通过模型本身的参数信息得知模型的特征变量对风险预测结果的影响程度和影响方向；这在一定程度上影响了模型的应用效果。虽然有一些模型可解释性的方法，可以分析模型单个特征变量对预测结果的影响；但是一般机器学习模型的特征变量数量众多，逐个分析效率低，也不容易把握重点。因此需要从信用风险的角度，搜寻有业务价值的特征变量、检测对风险成因的影响性，以提高用户信用风险预测效果并及时生成风险应对策略。
技术实现思路
针对现有技术中的问题，本申请提出了一种基于影响因素检测的用户信用风险预测方法及本文档来自技高网...

【技术保护点】
1.一种基于影响因素检测的用户信用风险预测方法，其特征在于，包括：/n根据预获取的目标特征变量清单和该目标特征变量清单中的各个目标特征变量各自对应的影响程度参数范围，获得目标用户分别针对各个所述目标特征变量的目标特征变量值和各个所述目标特征变量值各自对应的影响程度参数值，其中，各个所述目标特征变量分别用于表示不同的用户特征；/n基于各个所述目标特征变量值和各自对应的影响程度参数值，应用预设的用户信用风险预测模型确定所述目标用户的信用风险预测结果。/n

【技术特征摘要】
1.一种基于影响因素检测的用户信用风险预测方法，其特征在于，包括：
根据预获取的目标特征变量清单和该目标特征变量清单中的各个目标特征变量各自对应的影响程度参数范围，获得目标用户分别针对各个所述目标特征变量的目标特征变量值和各个所述目标特征变量值各自对应的影响程度参数值，其中，各个所述目标特征变量分别用于表示不同的用户特征；
基于各个所述目标特征变量值和各自对应的影响程度参数值，应用预设的用户信用风险预测模型确定所述目标用户的信用风险预测结果。


2.根据权利要求1所述的基于影响因素检测的用户信用风险预测方法，其特征在于，在所述应用预设的用户信用风险预测模型确定所述目标用户的信用风险预测结果之前，还包括：
获取所述目标特征变量清单对应的多个历史特征变量值组、各个历史特征变量值组各自对应的信用标签以及所述历史特征变量值组中的各个历史特征变量值分别对应的影响程度参数值；
应用所述历史特征变量值组、信用标签以及影响程度参数值对所述用户信用风险预测模型进行训练，以使训练后的用户信用风险预测模型输出的信用风险预测结果误差小于第一误差阈值。


3.根据权利要求1所述的基于影响因素检测的用户信用风险预测方法，其特征在于，还包括：
获取由多个历史用户的用户特征数据组成的样本数据集，其中，所述样本数据集中的各个样本分别由唯一对应的历史用户的用户特征数据组成，每个样本均对应有信用标签，且每个样本均对应相同的待筛选特征变量组，该待筛选特征变量组包含有多个待筛选特征变量；
基于所述样本数据集和待筛选特征变量，应用预设的全局代理模型对待筛选特征变量得到第一特征变量清单，应用特征重要性分析算法得到第二特征变量清单，以及应用决策键规则得到第三特征变量清单；
根据所述第一特征变量清单、第二特征变量清单和第三特征变量清单生成所述目标特征变量清单。


4.根据权利要求3所述的基于影响因素检测的用户信用风险预测方法，其特征在于，还包括：
应用所述样本数据集对所述全局代理模型进行训练，以使训练后的全局代理模型输出的预测结果误差小于对应的第二误差阈值；
其中，所述全局代理模型为逻辑回归模型和/或决策树模型。


5.根据权利要求3所述的基于影响因素检测的用户信用风险预测方法，其特征在于，所述应用预设的全局代理模型得到第一特征变量清单，包括：
若所述全局代理模型为逻辑回归模型，则确定所述样本数据集中包含信用可靠用户标签的样本个数与剩余样本个数之间的样本个数比值；
根据预设的特征变量值移动位数、各个所述待筛选特征变量在所述逻辑回归模型中对应的权重和所述样本个数比值，确定各个所述待筛选特征变量的第一重要性程度值；
将第一重要性程度值大于第一重要性阈值的待筛选特征变量组合成第一特征变量清单。


6.根据权利要求3所述的基于影响因素检测的用户信用风险预测方法，其特征在于，所述应用特征重要性分析算法得到第二特征变量清单，包括：
生成所述样本数据集对应的特征变量矩阵和各个所述待筛选特征变量各自对应的置换特征变量矩阵；
根据所述特征变量矩阵和置换特征变量矩阵，获得各个所述待筛选特征变量的第二重要性程度值；
将第二重要性程度值大于第二重要性阈值的待筛选特征变量组合成第二特征变量清单。


7.根据权利要求3所述的基于影响因素检测的用户信用风险预测方法，其特征在于，所述应用决策键规则得到第三特征变量清单，包括：
基于所述样本数据集和One-Rule算法，确定各个所述待筛选特征变量的误差值；
将所述误差值小于第三误差阈值的待筛选特征变量组合成第三特征变量清单。


8.根据权利要求1所述的基于影响因素检测的用户信用风险预测方法，其特征在于，还包括：
对所述目标特征变量清单中的各个目标特征变量分别进行针对用户信用风险预测结果的影...

【专利技术属性】
技术研发人员：李瑾瑜，宋虎，沈晓敏，刘丹丹，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11