消费金融机器学习快速建模的方法和装置制造方法及图纸

本发明专利技术属于消费金融领域，具体涉及消费金融机器学习快速建模的方法和装置，整合了数据读取、数据处理、数据统计分析及变量筛选、模型及评分生成、模型融合、模型评价、模型输出七大模块；本发明专利技术通过标准化流程及内嵌算法，降低了建模门槛，缩短了建模用时；通过标准化流程及内嵌算法，将建模过程中部分步骤通过更科学的方法来进行判断，避免了人工操作带来的影响；通过递归式变量筛选、基于算法的自动化分箱、基于KS的模型加权融合以及多评价指标融合，使得最终模型更能表现数据，具备更好的区分力与稳定性。分力与稳定性。

【技术实现步骤摘要】
消费金融机器学习快速建模的方法和装置


[0001]本专利技术属于消费金融领域，具体涉及消费金融机器学习快速建模的方法和装置。

技术介绍

[0002]自2009年《消费金融公司试点管理方法》颁布以来，消费金融蓬勃发展。线上消费金融不同于传统金融信贷，其具有客户流量大、风险因素丰富。欺诈种类多样、业务变化快等特性。贷前、贷中、贷后的风控以及日常营销中，往往面临着数据维度多、模型需求紧急、模型迭代速度要求提升等问题。而传统基于经验的评分卡大多基于人工经验进行筛选变量，引入了主观因素，可能无法筛选出统计意义上的最优变量；且在分箱过程中，手动分箱需要大量的人工判断及操作，使得建模过程复杂化，冗长化，无法适应需要快速迭代模型的线上消费金融场景。而基于机器学习及深度学习的模型，大多只考量模型的区分能力，没有考虑到模型在实际应用当中的概率/分数划分，评分分布非正态，导致cut
‑
off无法使用。
[0003]通常在传统消费金融中，变量筛选大多基于人工经验或仅靠IV值筛选，过程冗长且效果较差；分箱大多基于等频、等距分箱，无法准确表达原有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.消费金融机器学习快速建模的方法，其特征在于，包括以下步骤：步骤1：数据读取：读取建模所需的相关数据，自适应生成读取函数，解码，将解码后的数据文件读入内存等待处理；步骤2：数据类别转化处理：对内存里的数据文件进行处理，将类别型变量通过目标Y值浓度进行映射，具体映射过程为：对单个类别型变量内每个类别进行如下操作，对单个类别进行计算，将T作为该变量该类别的数值：步骤3：数据离群值处理：对原数值型变量与经过转化后的字符型变量进行离群值检测，对于单个变量，如果值满足|x
i
‑
x|>3*S，其中则判定该值为离群值，对该离群值进行均值替换或对所在样本进行剔除；步骤4：数据相关性计算：对进行离群值处理后的数据进行相关性计算，绘制变量相关性热图矩阵，对变量间相关性极高的样本进行剔除，使用固定值对缺失值进行填充；步骤5：数据统计分析及变量筛选：对处理后的数据计算IV值，剔除IV值小于0.02的变量，对剩余变量采用递归消元进行变量筛选；步骤6：变量分箱：对筛选后的变量进行分箱；步骤7：模型融合：将分箱后的变量进行入模，分别使用Logistic Regression逻辑回归与其他算法对数据进行训练，得到模型A与模型B，分别计算模型的KS值，根据KS值对模型进行加权融合；步骤8：模型评价：分别对步骤7中的模型A、模型B与模型C计算模型的KS值、ROC指数与PSI指数；其中TP为真实为1且预测为1的数目，FN为真实为1且预测为0的数目，FP为真实为0的且预测为1的数目，TN为真实为0的且预测为0的数目；其中A代表训练集单箱占比，B代表测试集单箱占比；将KS值、ROC指数与PSI指数三个评价指标进行融合，计算公式为EVA＝(0.5*KS+0.5*ROC)*10
‑
...

【专利技术属性】
技术研发人员：苗琛，李文超，温子萱，卫兴榛，郭星宇，
申请(专利权)人：晋商消费金融股份有限公司，
类型：发明
国别省市：