基于算法模型的评级方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术，揭露了一种基于算法模型的评级方法，包括：获取用户数据集，根据数据特征构建多个原始子模型，并进行训练，得到训练结果；对所述多个原始子模型进行参数调优，得到多个最优参数子模型；利用预设的评估算法对所述多个最优参数子模型进行选择，得到多个高分子模型；根据预设的精确合并算法将所述多个高分子模型合并为主模型；获取待判断用户数据集，输入至所述主模型，根据所述主模型的输出结果，得到所述待判断用户数据集的等级评级结果并输出给用户。本发明专利技术还涉及区块链技术，用户数据集可存储于区块链中。本发明专利技术可以使用多种算法全面评定企业等级、提高评级结果的准确性、增强评定方式的整体灵活性。

【技术实现步骤摘要】
基于算法模型的评级方法、装置、电子设备及存储介质
本专利技术涉及人工智能领域，尤其涉及一种基于算法模型的评级的方法、装置及计算机可读存储介质。
技术介绍
目前对小微企业的企业等级的评定，主要采用评分卡方式计算小微企业的评分。若所述评分满足某一等级的阈值，则认为该小微企业属于该等级。同时还有一种采用机器学习算法构建对应的评级模型，从而实现单个数据源的等级评分的输出。上述方法主要存在以下缺陷：只使用单一种算法，结果的精确度较低，因此，上述方法在占用了过多计算机资源以及人力资源的情况下，并未达到应有的效果。此外，现有评级方法还存在下述问题：在小微企业内部业务变更时，无法对小微企业的评级进行更新。
技术实现思路
本专利技术提供一种基于算法模型的评级方法、装置及计算机可读存储介质，其主要目的在于使用多种算法全面评定企业等级，提高评级结果的准确性、增强评定方式的整体灵活性的问题。为实现上述目的，本专利技术提供的一种基于算法模型的评级方法，包括：获取用户数据集，根据所述用户数据集的数据特征，构建多个原始子模型，并对所述多个原始子模型进行训练，得到模型训练结果；根据所述模型训练结果，对所述多个原始子模型进行参数调优，得到多个最优参数子模型；利用预设的评估算法对所述多个最优参数子模型进行选择，得到多个高分子模型；根据预设的精确合并算法将所述多个高分子模型合并为主模型；获取待判断用户数据集，将所述待判断用户数据集输入至所述主模型，根据所述主模型的输出结果，得到所述待判断用户数据集的等级评级结果，将所述等级评级结果输出给用户。可选地，所述用户数据集存储于区块链中，及所述根据所述用户数据集的数据特征，构建多个原始子模型，包括：对所述用户数据集进行筛选，得到有效用户数据集；根据所述有效用户数据集内数据的数据类型将所述用户数据集分成多个子用户数据集；根据所述子用户数据集的数据特征，分别选择相应的机器学习算法构建多个原始子模型。可选地，所述根据所述模型训练结果，对所述多个原始子模型进行参数调优，得到多个最优参数子模型，包括：将所述训练结果与原正确结果的比值作为所述原始子模型的判断精确度；将所述判断精确度并与预设的准确度标准阈值进行比较；若所述判断精确度低于所述标准阈值，则使用预设的参数调整方法调整所述多个原始子模型的参数；直至所述判断精确度大于或等于所述标准阈值，得到多个最优参数子模型。可选地，所述利用预设的评估算法对所述多个最优参数子模型进行选择，得到多个高分子模型，包括：根据预设的评估算法，得到各所述最优参数子模型的评分；保留评分值大于或等于预设的评分阈值的最优参数子模型，得到所述高分子模型。可选地，所述根据预设的评估算法，得到各所述最优参数子模型的评分，包括：采用下述算法计算每一个所述最优参数子模型的评分：Score＝avg(auc,ks,-log(psi))其中，Score是各所述最优参数子模型在统一评估指标下的评分，auc是各原始子模型的判断精确度，ks是训练各原始子模型时执行参数调整时的最大调整值，psi是训练各原始子模型时的训练次数。可选地，所述根据预设的精确合并算法将所述多个高分子模型合并为主模型，包括：根据所述多个高分子模型的判断精确度计算各所述高分子模型的权重；利用如下精确合并算法将所述多个高分子模型合并为主模型：其中，P是主模型，wk是各所述高分子模型的权重，pk是各所述高分子模型的输出结果，AUCk是第k个高分子模型的判断精确度，AUCi是所有高分子模型的判断精确度，n是所述多个高分子模型的总数。可选地，所述方法还包括：当获取到与所述用户数据集内数据特征不同的新用户数据集时，根据所述新用户数据集选择对应的原始子模型，并所述对应的原始子模型进行参数调整，得到更新后的原始子模型；将所述更新后的原始子模型并入主模型中。为了解决上述问题，本专利技术还提供一种基于算法模型的评级装置，所述装置包括：子模型构建模块，用于获取用户数据集，根据所述用户数据集的数据特征，构建多个原始子模型，并对所述多个原始子模型进行训练，得到训练结果；参数调优模块，用于根据所述训练结果，对所述多个原始子模型进行参数调优，得到多个最优参数子模型；子模型筛选模块，用于利用预设的评估算法对所述多个最优参数子模型进行选择，得到多个高分子模型；主模型构建模块，用于根据预设的精确合并算法将所述多个高分子模型合并为主模型；等级分析模块，用于获取待判断用户数据集，将所述待判断用户数据集输入至所述主模型，根据所述主模型的输出结果，得到所述待判断用户数据集的等级评级结果，将所述等级评级结果输出给用户。为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的基于算法模型的评级方法。为了解决上述问题，本专利技术还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述所述的基于算法模型的评级方法。本专利技术获取用户数据集，根据所述用户数据集的数据特征，构建多个原始子模型，并对所述多个原始子模型进行训练，得到模型训练结果，所述构建多个原始子模型可以使用多种算法，全面评定企业等级；根据所述模型训练结果，对所述多个原始子模型进行参数调优，可以提高评级结果的准确度；利用预设的评估算法对所述多个最优参数子模型进行选择，进一步提高评级结果的精确度，且减少了计算资源的消耗；根据预设的精确合并算法将所述多个高分子模型合并为主模型，提高了评级方式的整体灵活性；获取待判断用户数据集，将所述待判断用户数据集输入至所述主模型，根据所述主模型的输出结果，得到所述待判断用户数据集的等级评级结果，将所述等级评级结果输出给用户，确保了所述等级评级结果的可用性。因此本专利技术提出的基于算法模型的评级方法、装置、电子设备及计算机可读存储介质，可以实现使用多种算法全面评定企业等级、提高评级结果的准确性、增强评定方式的整体灵活性的功能。附图说明图1为本专利技术一实施例提供的基于算法模型的评级方法的流程示意图；图2为本专利技术一实施例提供的构建多个原始子模型的流程示意图；图3为本专利技术一实施例提供的基于算法模型的评级装置的模块示意图；图4为本专利技术一实施例提供的实现基于算法模型的评级方法的电子设备的内部结构示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本申请实施例提供的基于算法模型的评级方法的执行主体包括但不限于服务端、终端等能够被本文档来自技高网...

【技术保护点】
1.一种基于算法模型的评级方法，其特征在于，所述方法包括：/n获取用户数据集，根据所述用户数据集的数据特征，构建多个原始子模型，并对所述多个原始子模型进行训练，得到模型训练结果；/n根据所述模型训练结果，对所述多个原始子模型进行参数调优，得到多个最优参数子模型；/n利用预设的评估算法对所述多个最优参数子模型进行选择，得到多个高分子模型；/n根据预设的精确合并算法将所述多个高分子模型合并为主模型；/n获取待判断用户数据集，将所述待判断用户数据集输入至所述主模型，根据所述主模型的输出结果，得到所述待判断用户数据集的等级评级结果，将所述等级评级结果输出给用户。/n

【技术特征摘要】
1.一种基于算法模型的评级方法，其特征在于，所述方法包括：
获取用户数据集，根据所述用户数据集的数据特征，构建多个原始子模型，并对所述多个原始子模型进行训练，得到模型训练结果；
根据所述模型训练结果，对所述多个原始子模型进行参数调优，得到多个最优参数子模型；
利用预设的评估算法对所述多个最优参数子模型进行选择，得到多个高分子模型；
根据预设的精确合并算法将所述多个高分子模型合并为主模型；
获取待判断用户数据集，将所述待判断用户数据集输入至所述主模型，根据所述主模型的输出结果，得到所述待判断用户数据集的等级评级结果，将所述等级评级结果输出给用户。


2.如权利要求1所述的基于算法模型的评级方法，其特征在于，所述用户数据集存储于区块链中，及所述根据所述用户数据集的数据特征，构建多个原始子模型，包括：
对所述用户数据集进行筛选，得到有效用户数据集；
根据所述有效用户数据集内数据的数据类型将所述用户数据集分成多个子用户数据集；
根据所述子用户数据集的数据特征，分别选择相应的机器学习算法构建多个原始子模型。


3.如权利要求1所述的基于算法模型的评级方法，其特征在于，所述根据所述模型训练结果，对所述多个原始子模型进行参数调优，得到多个最优参数子模型，包括：
将所述训练结果与原正确结果的比值作为所述原始子模型的判断精确度；
将所述判断精确度并与预设的准确度标准阈值进行比较；
若所述判断精确度低于所述标准阈值，则使用预设的参数调整方法调整所述多个原始子模型的参数；
直至所述判断精确度大于或等于所述标准阈值，得到多个最优参数子模型。


4.如权利要求3所述的基于算法模型的评级方法，其特征在于，所述利用预设的评估算法对所述多个最优参数子模型进行选择，得到多个高分子模型，包括：
根据预设的评估算法，得到各所述最优参数子模型的评分；
保留评分值大于或等于预设的评分阈值的最优参数子模型，得到所述高分子模型。


5.如权利要求4所述的基于算法模型的评级方法，其特征在于，所述根据预设的评估算法，得到各所述最优参数子模型的评分，包括：
采用下述算法计算每一个所述最优参数子模型的评分：
Score＝avg(auc,ks,-log(psi))
其中，Score是各所述最优参数子模型在统一评估指标下的评分，auc是各原始子模型的判断精...

【专利技术属性】
技术研发人员：张嘉荣，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：广东;44