风控模型训练方法、系统、设备及计算机可读介质技术方案

本发明专利技术揭示了一种风控模型训练方法、系统、设备及计算机可读介质，所述风控模型训练方法包括：设定模型训练的评估函数，使得模型训练的目标变为最大化占比n％的高风险客户的风险倍数；其中，风险倍数＝占比n％的高风险客户的平均风险/100％客户的平均风险；从而在保证设定的KS的前提下根据高风险区分效果的最大化进行调优。本发明专利技术提出的风控模型训练方法、系统、设备及计算机可读介质，可提高风险判断的效率。

【技术实现步骤摘要】
风控模型训练方法、系统、设备及计算机可读介质
本专利技术属于模型训练
，涉及一种模型训练方法，尤其涉及一种风控模型训练方法、系统、设备及计算机可读介质。
技术介绍
通常衡量一个风控模型对好坏客户的区分能力是通过KS值、AUC值这些综合指标，而在KS值相同的情况下，模型依然可能存在着迥然不同的区分特点(有的更能区分低风险、有的更能区分高风险)。由于模型的使用场景大多是识别高风险客户，风控系统期望模型能够识别出尽可能多的坏人(指风险过高的人)，而并不那么在意模型对低风险客户的区分能力。有鉴于此，如今迫切需要设计一种新的模型训练方法，以便克服现有模型训练方法存在的上述至少部分缺陷。
技术实现思路
本专利技术提供一种风控模型训练方法、系统、设备及计算机可读介质，可提高风险判断的效率。为解决上述技术问题，根据本专利技术的一个方面，采用如下技术方案：一种风控模型训练方法，所述风控模型训练方法包括：特征筛选步骤；根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标去除掉不本文档来自技高网...

【技术保护点】
1.一种风控模型训练方法，其特征在于，所述风控模型训练方法包括：/n特征筛选步骤；根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标去除掉不佳的特征；/nXGBoost算法参数调参步骤；根据经验或历史数据对所述XGBoost算法参数进行调参；/n设定模型训练的评估函数，使得模型训练的目标变为最大化占比n％的高分段客户的风险倍数；其中，风险倍数＝占比n％的高分段客户的平均风险/100％客户的平均风险；从而在保证设定的KS的前提下根据高风险区分效果的最大化进行调优；所述评估函数默认为综合评判模型效果的指标，当希望模型更多区分高风险而不是低风险时对评估函数做自定义；所述综合评...

【技术特征摘要】
1.一种风控模型训练方法，其特征在于，所述风控模型训练方法包括：
特征筛选步骤；根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标去除掉不佳的特征；
XGBoost算法参数调参步骤；根据经验或历史数据对所述XGBoost算法参数进行调参；
设定模型训练的评估函数，使得模型训练的目标变为最大化占比n％的高分段客户的风险倍数；其中，风险倍数＝占比n％的高分段客户的平均风险/100％客户的平均风险；从而在保证设定的KS的前提下根据高风险区分效果的最大化进行调优；所述评估函数默认为综合评判模型效果的指标，当希望模型更多区分高风险而不是低风险时对评估函数做自定义；所述综合评判模型效果的指标包括AUC值、KS值。


2.一种风控模型训练方法，其特征在于，所述风控模型训练方法包括：
设定模型训练的评估函数，使得模型训练的目标为占比n％的高风险客户的风险倍数；其中，风险倍数＝占比n％的高风险客户的平均风险/100％客户的平均风险；从而在保证设定的KS的前提下根据高风险区分效果的最大化进行调优。


3.根据权利要求2所述的风控模型训练方法，其特征在于：
所述风控模型训练方法还包括：
特征筛选步骤；根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标去除掉不佳的特征；
XGBoost算法参数调参步骤；根据经验或历史数据对所述XGBoost算法参数进行调参。


4.根据权利要求2所述的风控模型训练方法，其特征在于：
设定模型训练的评估函数步骤中，评估函数默认为综合评判模型效果的指标；当希望模型更多区分高风险而不是低风险时对评估函数做自定义；所述综合评判模型效果的指标包括AUC值、KS值。


5.一种风控模型训练系统，其特征在于，所述风控模型训练系统包括：
特征筛选模块，用以根据特征的饱和度、特征分布的稳定性、训练标签的区分效果的稳定性、信息量指标去除掉不佳的特征；
XGBoost算法参数调参模...

【专利技术属性】
技术研发人员：林建明，
申请(专利权)人：深圳无域科技技术有限公司，
类型：发明
国别省市：广东;44