模拟神经网络的评分卡配置方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种模拟神经网络的评分卡配置方法、装置、设备及存储介质。该方法包括：获取预设数据库中的原始数据；基于原始数据构建第一层特征变量并基于第一层特征变量得到第一层三维特征向量；根据第一子模型对第一层三维特征向量进行第一次矩阵变换得到第一层特征向量矩阵；根据第二子模型对第一层特征向量矩阵进行第二次矩阵变换得到第二层特征向量矩阵；根据第二层特征向量矩阵变换模型输出筛选得到入模向量，并基于入模向量进行评分卡的配置。该方法最后得到的特征向量效果比原始的特征向量效果更好，其开发得到的评分卡模型显著提高了查得率，其特征好坏分度高，经过测试具有跟神经网络几何变换一样的良好效果。

【技术实现步骤摘要】
模拟神经网络的评分卡配置方法、装置、设备及存储介质
本专利技术属于大数据领域，尤其涉及一种模拟神经网络的评分卡配置方法、装置、设备及存储介质。
技术介绍
传统评分卡构造特征变量主要是基于原始数据构造特征向量。特征向量的查得率决定了评分卡有效性，当特征变量查得率过低的时候客户的分数都集中在一个范围内，失去了评分卡的意义。特征查得率成为严重制约评分卡效果的重要因素，当前特征查得率过低唯一的解决办法只有重新使用新的特征开发新的评分卡，但是频繁开发评分卡会导致成本增加。
技术实现思路
有鉴于此，本专利技术提供了一种模拟神经网络的评分卡配置方法，能够提高特征查得率。为解决上述技术问题，本专利技术采用以下技术方案：第一方面，本专利技术提供了一种模拟神经网络的评分卡配置方法，该方法包括：获取预设数据库中的原始数据；基于所述原始数据构建第一层特征变量并基于所述第一层特征变量得到第一层三维特征向量；根据第一子模型对所述第一层三维特征向量进行第一次矩阵变换得到第一层特征向量矩阵；>根据第二子模型对所本文档来自技高网...

【技术保护点】
1.一种模拟神经网络的评分卡配置方法，其特征在于，包括：/n获取预设数据库中的原始数据；/n基于所述原始数据构建第一层特征变量并基于所述第一层特征变量得到第一层三维特征向量；/n根据第一子模型对所述第一层三维特征向量进行第一次矩阵变换得到第一层特征向量矩阵；/n根据第二子模型对所述第一层特征向量矩阵进行第二次矩阵变换得到第二层特征向量矩阵；/n根据所述第二层特征向量矩阵变换模型输出筛选得到入模向量，并基于所述入模向量进行评分卡的配置。/n

【技术特征摘要】
1.一种模拟神经网络的评分卡配置方法，其特征在于，包括：
获取预设数据库中的原始数据；
基于所述原始数据构建第一层特征变量并基于所述第一层特征变量得到第一层三维特征向量；
根据第一子模型对所述第一层三维特征向量进行第一次矩阵变换得到第一层特征向量矩阵；
根据第二子模型对所述第一层特征向量矩阵进行第二次矩阵变换得到第二层特征向量矩阵；
根据所述第二层特征向量矩阵变换模型输出筛选得到入模向量，并基于所述入模向量进行评分卡的配置。


2.根据权利要求1所述的方法，其特征在于，所述基于所述原始数据构建第一层特征变量并基于所述第一层特征变量得到第一层三维特征向量包括：
基于所述原始数据按照多个维度构建第一层特征变量；
基于所述第一层特征变量确定第一层三维特征向量X＝{xi，j，k}，其中i为客户标识，j为第一层特征变量标识，k为商户标识。


3.根据权利要求2所述的方法，其特征在于，所述基于所述原始数据按照多个维度构建第一层特征变量包括：
构建以客户为主体对象的一级维度，所述一级维度包括用户消费行为、共债情况、黑白名单情况和身份稳定性中的一种或多种；
对所述一级维度进行细分得到二级维度；
根据所述二级维度基于所述原始数据构建第一层特征变量。


4.根据权利要求1所述的方法，其特征在于，所述根据第一子模型对所述第一层三维特征向量进行第一次矩阵变换得到第一层特征向量矩阵包括：
根据所述第一层三维特征变量X＝{xi，j，k}，调取第一子模型进行第一次矩阵变换得到第一层特征向量矩阵Y＝{yj，k}，所述第一子模型中，n表示第一权重，所述第一权重根据预设表格由商户和客户的关系确定。


5.根据权利要求1所述的方法，其特征在于，所述根据第二子模型对所述第一层特征向量矩阵进行第二次矩阵变换得到第二层特征向量矩阵包括：
根据所述第一层特征向量矩阵Y＝{yj，k}，...

【专利技术属性】
技术研发人员：韦雪碧，
申请(专利权)人：深圳市卡数科技有限公司，
类型：发明
国别省市：广东;44