【技术实现步骤摘要】
用户分类方法及装置、计算机可读存储介质、电子设备
本专利技术实施例涉及机器学习
，具体而言，涉及一种用户分类方法、用户分类装置、计算机可读存储介质以及电子设备。
技术介绍
在信贷场景中，风险控制是其中最重要的一环，可以通过在客户获取期建立信用风险评分的方法，来预测客户带来违约风险的概率大小。在现有的风险概率的预测方法中，是通过在客户申请处理期，建立申请风险评分模型，然后通过风险评分模型预测客户开户后一定时期内违约拖欠的风险概率，目的是对信用不良客户和非目标客户进行分类。其中，上述风险评估模型为逻辑回归模型。但是，上述方法存在如下缺陷：一方面，逻辑回归模型入模变量的维度较高，因此存在大量的冗余数据，使得系统的负担较重；另一方面，难以有效利用其所有信息，进而使得用户分类的准确率较低。需要说明的是，在上述
技术介绍
部分专利技术的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本专利技术的目的在于提供一种用户分类方法、用户分类装置、计...
【技术保护点】
1.一种用户分类方法，其特征在于，包括：/n获取待分类用户的历史用户数据，并根据所述历史用户数据中的属性特征生成所述待分类用户的用户特征；/n根据所述待分类用户的用户特征所属的特征类别，对所述待分类用户的用户特征进行处理得到多个初始待处理特征，并对各所述初始待处理特征进行特征交叉，生成初始待处理特征矩阵；/n将所述初始待处理矩阵输入至多粒度级联森林模型中，并根据所述多粒度级联森林模型的输出结果对待分类用户进行分类。/n
【技术特征摘要】
1.一种用户分类方法，其特征在于，包括：
获取待分类用户的历史用户数据，并根据所述历史用户数据中的属性特征生成所述待分类用户的用户特征；
根据所述待分类用户的用户特征所属的特征类别，对所述待分类用户的用户特征进行处理得到多个初始待处理特征，并对各所述初始待处理特征进行特征交叉，生成初始待处理特征矩阵；
将所述初始待处理矩阵输入至多粒度级联森林模型中，并根据所述多粒度级联森林模型的输出结果对待分类用户进行分类。
2.根据权利要求1所述的用户分类方法，其特征在于，所述特征类别包括连续型、离散型、类别型以及时间型中的多种；
其中，根据所述待分类用户的用户特征所属的特征类别，对所述待分类用户的用户特征进行处理得到多个初始待处理特征包括：
当所述特征类别为连续型时，基于预设的客户关系管理模型对所述待分类用户的用户特征进行特征构造，得到多个第一初始特征；
当所述特征类别为离散型时，对所述待分类用户的用户特征进行证据权重转化，得到多个第二初始特征；
当所述特征类别为类别型时，对所述待分类用户的用户特征进行独热编码，得到多个第三初始特征；
当所述特征类别为时间型时，计算所述待分类用户的用户特征的时间长度，得到多个第四初始特征；其中，所述第四初始特征为数值型连续特征。
3.根据权利要求2所述的用户分类方法，其特征在于，对各所述初始待处理特征进行特征交叉，生成初始待处理特征矩阵包括：
对所述第一初始特征、第二初始特征、第三初始特征以及第四初始特征进行特征交叉，生成所述初始待处理特征矩阵；
其中，所述初始待处理特征矩阵的行为各所述初始特征的数量，列为特征交叉以后各所述初始特征的维度，所述特征交叉的交叉方式包括顺序两两交叉或者随机两两交叉。
4.根据权利要求1所述的用户分类方法，其特征在于，所述用户分类方法还包括：
获取数据样本，并根据所述数据样本计算计算所述数据样本中包括的目标用户的表现值；
对所述表现值以及所述数据样本中与所述目标用户对应的建模特征进行关联得到所述目标用户的用户特征；
根据所述目标用户的用户特征生成初始待训练特征矩阵，并根据所述初始待训练特征矩阵构建训练集以及测试集；
对所述训练集中的初始待训练特征矩阵进行特征筛选得到目标待训练特征矩阵，并基于多粒度级联森林算法对所述目标特征矩阵以及目标参数进行机器学习得到初始模型；
利用所述测试集中的初始待训练特征矩阵对所述初始模型进行测试得到多个测试结果，并根据所述测试结果以及所述测试集中的初始待训练特征矩阵中...
【专利技术属性】
技术研发人员：白云飞，
申请(专利权)人：北京同邦卓益科技有限公司，
类型：发明
国别省市：北京;11
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。