一种风险预估方法、装置、设备和介质制造方法及图纸

本申请公开了一种风险预估方法、装置、设备和介质，涉及人工智能技术领域。所述方法包括：获取预设时间段的授信未用数据集，并对所述数据集进行预处理得到训练样本；将所述训练样本作为输入通过带有Boosting机制的神经网络模型，进行迭代训练后得到模型输出的第一特征；将所述第一特征作为输入通过逻辑回归模型进行训练，得到训练好的风险预估模型；将所述训练好的风险预估模型部署上线，以通过所述训练好的风险预估模型对用户执行风险预估。本申请能够提升模型的风险监控精度，提升评分卡风控模型的准确性。控模型的准确性。控模型的准确性。

【技术实现步骤摘要】
一种风险预估方法、装置、设备和介质


[0001]本申请涉及人工智能
，特别是涉及一种风险预估方法、装置、设备和介质。

技术介绍

[0002]随着互联网金融的进一步发展，互联网平台借贷、理财活动以及第三方支付平台等的快速扩张对风险监管提出了更高的要求。在客户进行贷款申请层面，银行或者互联网金融公司都需要对客户的贷款资质进行审核。使用的主要方法就是评分卡模型，来预测客户信用情况并进行打分。传统的信用卡评分模型一般根据用户的行为数据和金融属性数据选取好的特征区分好的客户和坏的客户，并通过逻辑回归模型(LR)对客户进行信用打分，来以此得到客户的贷款申请、贷款额度和利率。
[0003]该模型拥有构建简单、稳健性强、变量可解释能力强和更好的直观展示，但是也存在一些预测精度、贷款通过率低等一些问题。而对于一些决策树模型，在模型的预测精度上面表现出更好的效果，在于树模型能够更好更加精准的捕捉到客户数据里面的非线性特征并且输出。对于神经网络模型则具有很强的鲁棒性和容错性、并行处理运行速度快、自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统、可以充分逼近任意复杂的非线性关系、具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术等优点。
[0004]在金融监管日趋加紧的背景下，需要进一步提升模型的风险监控精度，因此，如何进一步提升模型的风险监控精度，提升评分卡风控模型的准确性是目前亟待解决的问题。

技术实现思路

[0005]为了解决上述
技术介绍
中提到的至少一个问题，本申请提供了一种风险预估方法、装置、设备和介质，能够提升模型的风险监控精度，提升评分卡风控模型的准确性。
[0006]本申请实施例提供的具体技术方案如下：
[0007]第一方面，提供一种风险预估方法，包括：
[0008]获取预设时间段的授信未用数据集，并对所述数据集进行预处理得到训练样本；
[0009]将所述训练样本作为输入通过带有Boosting机制的神经网络模型，进行迭代训练后得到模型输出的第一特征；
[0010]将所述第一特征作为输入通过逻辑回归模型进行训练，得到训练好的风险预估模型；
[0011]将所述训练好的风险预估模型部署上线，以通过所述训练好的风险预估模型对用户执行风险预估。
[0012]进一步的，所述神经网络模型为GrowNet模型，所述GrowNet模型包含多个Boosting步骤，所述将所述训练样本作为输入通过带有Boosting机制的神经网络模型，进行迭代训练后得到模型输出的第一特征，包括：
[0013]将所述训练样本作为输入通过所述GrowNet模型；
[0014]在所述GrowNet模型中迭代训练每个Boosting步骤直至所述GrowNet模型收敛；
[0015]其中，所述GrowNet模型的输出为所有顺序训练的所述Boosting步骤得分的加权组合。
[0016]进一步的，所述在所述GrowNet模型中迭代训练每个Boosting步骤直至所述GrowNet模型收敛，包括：
[0017]将每个Boosting步骤中迭代倒数第二层的输出与下一Boosting步骤本身的输入增强混合后作为所述下一Boosting步骤的增强特征集进行迭代训练。
[0018]进一步的，所述GrowNet模型通过如下公式作为模型的输出：
[0019][0020]其中，η是多层感知机的空间，K是步长，每个f
k
(x
i
)函数表示对应所述Boosting步骤的浅层神经网络，α
k
表示对应所述Boosting步骤的加权系数；
[0021]所述GrowNet模型通过如下公式搜索下一弱学习器：
[0022][0023][0024]其中，为当前Boosting步骤中迭代倒数第二层的输出，L
(t)
用于描述将当前Boosting步骤中迭代倒数第二层的输出与下一Boosting步骤本身的输入增强混合后进行迭代训练下一弱学习器。
[0025]进一步的，所述在所述GrowNet模型中迭代训练每个Boosting步骤直至所述GrowNet模型收敛，还包括：
[0026]通过二阶梯度统计使用最小平方回归进行拟合训练下一弱学习器，通过二元交叉熵损失函数在整个所述GrowNet模型中重新训练所述Boosting步骤对应函数的权重。
[0027]进一步的，所述通过二阶梯度统计使用最小平方回归进行拟合训练下一弱学习器，通过二元交叉熵损失函数在整个所述GrowNet模型中重新训练所述Boosting步骤对应函数的权重使用如下公式：
[0028][0029][0030][0031][0032]其中，L
(t)
’
用于描述针对下一弱学习器的二阶梯度目标函数。
[0033]进一步的，所述将所述第一特征作为输入通过逻辑回归模型进行训练，得到训练好的风险预估模型，包括：
[0034]抽取特征重要性最强的预设数量的特征作为第一特征输入逻辑回归模型进行训练；
[0035]评估在测试集中的AUC指标通过验证集测试，输出训练好的风险预估模型的模型效果分。
[0036]第二方面，提供一种风险预估装置，所述装置包括：
[0037]数据处理模块，用于获取预设时间段的授信未用数据集，并对所述数据集进行预处理得到训练样本；
[0038]特征增强模块，用于将所述训练样本作为输入通过带有Boosting机制的神经网络模型，进行迭代训练后得到模型输出的第一特征；
[0039]模型训练模块，用于将所述第一特征作为输入通过逻辑回归模型进行训练，得到训练好的风险预估模型；
[0040]风险预估模块，用于将所述训练好的风险预估模型部署上线，以通过所述训练好的风险预估模型对用户执行风险预估。
[0041]第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风险预估方法。
[0042]第四方面，提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述风险预估方法。
[0043]本申请实施例具有如下有益效果：
[0044]本申请实施例提供的一种风险预估方法、装置、设备和介质，可以通过神经网络模型的非线性特征构造能力，在有限特征输入的情况下增强模型中的特征表达能力，从而能够提高模型的预测精度。另外，还能够通过二阶梯度优化算法减少收敛步骤，降低计算复杂度，能够针对经典梯度Boosting决策树贪婪函数逼近的缺陷，通过一种完全修正的方法进行特征筛选及特征生成，在输入整体模型的特征数量相对较少时依然能保证输出模型中使用特征的特征重要性，也使得模型具有解释性，提升整体模型的预测精度。
附图说明
[0045]为了更清楚地说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险预估方法，其特征在于，包括：获取预设时间段的授信未用数据集，并对所述数据集进行预处理得到训练样本；将所述训练样本作为输入通过带有Boosting机制的神经网络模型，进行迭代训练后得到模型输出的第一特征；将所述第一特征作为输入通过逻辑回归模型进行训练，得到训练好的风险预估模型；将所述训练好的风险预估模型部署上线，以通过所述训练好的风险预估模型对用户执行风险预估。2.根据权利要求1所述的风险预估方法，其特征在于，所述神经网络模型为GrowNet模型，所述GrowNet模型包含多个Boosting步骤，所述将所述训练样本作为输入通过带有Boosting机制的神经网络模型，进行迭代训练后得到模型输出的第一特征，包括：将所述训练样本作为输入通过所述GrowNet模型；在所述GrowNet模型中迭代训练每个Boosting步骤直至所述GrowNet模型收敛；其中，所述GrowNet模型的输出为所有顺序训练的所述Boosting步骤得分的加权组合。3.根据权利要求2所述的风险预估方法，其特征在于，所述在所述GrowNet模型中迭代训练每个Boosting步骤直至所述GrowNet模型收敛，包括：将每个Boosting步骤中迭代倒数第二层的输出与下一Boosting步骤本身的输入增强混合后作为所述下一Boosting步骤的增强特征集进行迭代训练。4.根据权利要求3所述的风险预估方法，其特征在于，所述GrowNet模型通过如下公式作为模型的输出：其中，η是多层感知机的空间，K是步长，每个f
k
(x
i
)函数表示对应所述Boosting步骤的浅层神经网络，α
k
表示对应所述Boosting步骤的加权系数；所述GrowNet模型通过如下公式搜索下一弱学习器：所述GrowNet模型通过如下公式搜索下一弱学习器：其中，为当前Boosting步骤中迭代倒数第二层的输出，L
(t)
用于描述将当前Boosting步骤中迭代倒数第二层的输出与下一Boosting步骤本身的输入增强混合后进行迭代训练下一弱学习器。5.根据权利要求2所述的风险预估方法，...

【专利技术属性】
技术研发人员：张文旭，
申请(专利权)人：南京星云数字技术有限公司，
类型：发明
国别省市：