一种基于FOA-RBF神经网络的信用评分方法技术

本发明专利技术提供一种基于FOA‑RBF神经网络的信用评分方法，包括：采集数据；数据预处理；初始化基本RBF神经网络模型参数；采用果蝇优化算法迭代隐藏层神经元的中心向量c

【技术实现步骤摘要】
一种基于FOA-RBF神经网络的信用评分方法
本专利技术属于互联网金融行业的风控
，具体提供一种利用果蝇算法优化RBF神经网络的信用评分方法。
技术介绍
随着银行、第三方支付、P2P、互联网借贷平台的发展，互联网金融对于个人信用评价的需求越来越高，除了使用基于逻辑回归、支持向量机、随机森林等各种算法的评分卡模型，使用神经网络进行信用评价是一个很大的研究领域，其中最为常用的神经网络主要为：BP(BackPropagation，反向传播)神经网络和RBF(RedialBasisFunction，径向基)神经网络。BP神经网络具备结构简单和适用性强的优点，但BP神经网络采用全局逼近算法，训练时间过长，且容易陷入局部最优。与BP神经网络相比，RBF神经网络在输入层与隐藏层之间使用具有光滑对称和任意阶导数的高斯函数作为径向基函数，在隐藏层与输出层之间采用线性函数，使得输出和节点权值具有线性关系，RBF神经网络具有非线性拟合能力强、全局最优逼近、训练速度快等优点。RBF神经网络的性能在很大程度上取决于所选的隐藏层各径向基函数的中心c以本文档来自技高网...

【技术保护点】
1.一种基于FOA-RBF神经网络的信用评分方法，其特征在于：包括以下步骤：/n步骤1：采集数据，从互联网金融平台后端根据贷后表现选取额定比例的正常还款和逾期还款的客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据；/n步骤2：数据预处理，对采集的数据进行缺失补全、异常值处理和归一化处理后按照7:3的比例切分成训练集和测试集；/n步骤3：初始化基本RBF神经网络模型参数，在训练集上利用迭代误差收敛速度和精度稳定性确定RBF网络隐藏层节点数；/n步骤4：采用果蝇优化算法迭代隐藏层神经元的中心向量c

【技术特征摘要】
1.一种基于FOA-RBF神经网络的信用评分方法，其特征在于：包括以下步骤：
步骤1：采集数据，从互联网金融平台后端根据贷后表现选取额定比例的正常还款和逾期还款的客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据；
步骤2：数据预处理，对采集的数据进行缺失补全、异常值处理和归一化处理后按照7:3的比例切分成训练集和测试集；
步骤3：初始化基本RBF神经网络模型参数，在训练集上利用迭代误差收敛速度和精度稳定性确定RBF网络隐藏层节点数；
步骤4：采用果蝇优化算法迭代隐藏层神经元的中心向量ci和激励函数的中心宽度σi，构造FOA-RBF神经网络信用评分预测模型；
步骤5：将测试集数据输入FOA-RBF神经网络模型得到预测结果，并进一步训练RBF网络，以预测准确率为指标，与最小均方误差法、遗传算法、粒子群算法优化的RBF神经网络模型的进行对比；
步骤6：将FOA-RBF神经网络的信用评分模型部署至申请平台输出实时申请信用评分，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。


2.根据权利要求1所述的一种基于FOA-RBF神经网络的信用评分方法，其特征在于：在步骤1中，从互联网金融平台后端根据贷后表现选取额定比例的正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据；
所述个人基本信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括埋点时采集的设备行为数据和日志数据；
所述设备行为数据包括：登录本平台次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、地理信息申请频次、MAC地址、IP地址数据、IP申请频次、设备电量占比、陀螺仪平均加速度；
所述日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计，其还包括，在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。


3.根据权利要求1所述的一种基于FOA-RBF神经网络的信用评分方法，其特征在于：在步骤2中，采用离差(Min-Max)标准化法来对数值归一化处理将其映射到[0,1]区间，可以有效地消除原变量因量纲不同和数值差异太大而带来数据噪音的影响，实现了建模数据特征的提取，Min-Max标准化的公式如下：



其中，是归一化后的值，xmin是特征中的最小值，xmax是特征中的最大值，x为特征的初始值；
将归一化处理的数据集按照申请时间按照7：3比例进行划分为训练集数据和测试集。


4.根据权利要求1所述的一种基于FOA-RBF神经网络的信用评分方法，其特征在于：在步骤3中，建立一个具有输入层、隐藏层、输出层的三层RBF神经网络模型，包括以下步骤：
步骤3-1：初步确定RBF神经网络隐藏层节点数n范围
输入层x＝(x1,x2,…,xm)表示m个输入结点向量，输出层Y＝(y1,y2,…,yq)表示q个输出结点向量，根据专家经验，隐藏层节点数和输入节点数、输出节点数满足以下的关系：



其中，n为隐藏层节点数，m为输入层节点数，q为输出层节点数，a为1～10的随机数，并满足n＜m；
步骤3-2：计算各隐藏层神经元的输出值



其中，为隐藏层第i个神经元节点的激励函数，一般选用高斯函数作为隐藏层激励函数，i＝1,2,…,n是隐藏层神经元节点数，x为输入矢量，ci∈Rn表示第i个隐藏层神经元的中心向量，Rn是欧式空间，σi为隐藏层第i个神经元节点的激励函数的中心宽度；
步骤3-3：在RBF神经网络中，输出层是隐藏层神经元输出的线性加权和，即隐藏层神经元的输出值乘以隐藏层与输出层的连接权值ωi作为输出层节点的输入，计算公式如下：



其中，x＝(x1,x2,…,xn)表示隐藏层n个输入结点向量，i＝1,2,…,n是隐藏层神经元节点数，Y(x)表示网络的输出变量，||·||通常为欧氏范数，||x-ci||表示输入结点向量到第i个隐藏层神经元的中心向量的径向距离，ci表示第i个隐藏层神经...

【专利技术属性】
技术研发人员：江远强，韩璐，李兰，
申请(专利权)人：百维金科上海信息科技有限公司，
类型：发明
国别省市：上海;31