【技术实现步骤摘要】
评分卡模型训练方法及装置
本申请涉及模型训练领域，尤其涉及评分卡模型训练领域。
技术介绍
目前在信贷场景中使用的信贷准入模型主要是评分卡模型，根据用户在申请信贷时填入的个人信息，根据评分卡模型从评分卡中找出对应的信息分值，将这些分值进行累加，最终得出的评分就是申请用户的总体信用评分。评分越高，说明申请用户的信用越好；评分越低，说明申请用户的信用越差。目前使用的评分卡模型的底层数学原理是基于逻辑回归机器学习算法转换来的，使用有监督的算法从过去用户提交申请的历史数据以及是否违约的标签训练而来，由于逻辑回归模型属于线性模型，模型的表征能力有限，故基于此得到的评分卡模型准确性较低。
技术实现思路
有鉴于此，本专利技术实施例提供了评分卡模型训练方法及装置，可有效提升评分卡模型的准确性。为了实现上述目的，在第一方面，本专利技术提供了一种评分卡模型训练方法，所述方法包括：获取多个历史数据，及每个历史数据对应的标签信息；对每个历史数据进行向量化，得到每个历史数据对应的第一向量；将每...
【技术保护点】
1.一种评分卡模型训练方法，其特征在于，所述方法包括：/n获取多个历史数据，及每个历史数据对应的标签信息；/n对每个历史数据进行向量化，得到每个历史数据对应的第一向量；/n将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息；/n将每个第一向量、对应标签信息及对应的第一学习信息输入到Wide&Deep模型中进行转化训练，得到每历史数据对应的指导概率值；/n将每个第一向量及对应的指导概率值输入到逻辑回归模型中，并结合半监督的学习技巧进行学习训练，得到评分卡模型。/n
【技术特征摘要】
1.一种评分卡模型训练方法，其特征在于，所述方法包括：
获取多个历史数据，及每个历史数据对应的标签信息；
对每个历史数据进行向量化，得到每个历史数据对应的第一向量；
将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息；
将每个第一向量、对应标签信息及对应的第一学习信息输入到Wide&Deep模型中进行转化训练，得到每历史数据对应的指导概率值；
将每个第一向量及对应的指导概率值输入到逻辑回归模型中，并结合半监督的学习技巧进行学习训练，得到评分卡模型。
2.根据权利要求1所述的方法，其特征在于，所述将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息，包括：
将(x1，y1)…(xn，yn)输入到Xgboost模型中进行转化训练，得到
其中,xn为第n个历史数据对应的第一向量；yn为第n个历史数据对应的标签信息；zn为第n个历史数据对应的第一学习信息，n为正整数。
3.根据权利要求2所述的方法，其特征在于，所述将每个第一向量、对应标签信息及对应的第一学习信息输入到Wide&Deep模型中进行转化训练，得到每历史数据对应的指导概率值，包括：
将(x1，y1，z1)…(xn，yn，zn)输入到Wide&Deep模型中，具体的转换公式如下：
(pi0，pi1)＝Wide&Deep(xi)＝sigmoid(Fdeep(xi)+Fwide(xi)+zi)；
Fwide(xi)＝wwide*xi+bwide；
Fdeep(xi)＝MLPdeep(xi)；
其中，(pi0，pi1)为第i个历史数据对应的指导概率值；MLPdeep代表多层神经网络参数；wwide和bwide为Wide模型的向量参数，初始值为随机数，并根据第一损失函数LWide&Deep(xi)更新wwide和bwide的值；
4.根据权利要求3所述的方法，其特征在于，所述将每个第一向量、对应的指导概率值输入到逻辑回归模型中，并结合半监督的学习技巧进行学习训练，得到评分卡模型，包括：
通过以下公式训练得到评分卡模型LR(xi)：
LR(xi)＝sigmoid(wLR*xi+bLR)；
其中，wLR和bLR为评分卡模型的向量参数，初始值为随机数，并根据第二损失函数Ltotal(xi)更新wLR和bLR的值；
Ltotal(xi)＝L1(xi)+α*L2(xi)；
其中，α为融合系数。
5.根据权利要求1-4所述的任一方法，其特征在于，所述多个历史数据为：多个用户申请信贷的申请数据；所述每个历史数据对应的标签信息为：每个用户申请信贷的申请数据对应的用于表示是否逾期的标签信息。
6.一种评分卡模型训练装置，其特征在于，所述装置包括：
获取单元，用于获取...
【专利技术属性】
技术研发人员：郭豪，蔡准，孙悦，郭晓鹏，
申请(专利权)人：北京芯盾时代科技有限公司，
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。