基于制造技术

一种基于

【技术实现步骤摘要】
基于EBM模型的信用评估方法、装置、电子设备、存储介质


[0001]本专利技术涉及信用评估
，尤其涉及一种基于
EBM
模型的信用评估方法
、
装置
、
电子设备
、
存储介质
。

技术介绍

[0002]第三方支付平台等行业逐步抬头，银行推动个人信用消费业务，提供收益的同时也面临相应的经营风险，房屋按揭
、
汽车贷款
、
银行卡等各类个人消费都急需信贷保障
。
但由于个人信用制度仍在不断完善阶段，大量信贷客户的财产信息不明朗以及经济情况不明确，给很多诚信意识薄弱的贷款人带来了可乘之机，而这种风险也基本由商业银行承受，违约贷款现象也不利于商业银行的稳定运行，进而可能导致更严重的金融系统性风险
。
当前关于信用风险评估模型的研究大多追求精准的预测性能，但是忽略了决策的可解释性，并且准确性和可解释性往往难以兼顾，存在准确性
‑
可解释性困境，因此亟需研究导致借款人违约的关键因素以及各违约因素之间的影响状态
。
[0003]公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术
。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种基于
EBM
模型的信用评估方法
、
装置
、<br/>电子设备
、
存储介质
。
[0005]本专利技术的技术方案提供的一种基于
EBM
模型的信用评估方法，所述方法包括：
[0006]获取待预测对象的第一数据，所述第一数据为所述待预测对象的信用风险相关数据；
[0007]将所述第一数据输入
EBM
模型，获取所述
EBM
模型输出的预测结果，所述预测结果包括第一结果，所述第一结果包括所述待预测对象在获取贷款后是否会违约；
[0008]其中，所述
EBM
模型的训练过程包括：
[0009]获取信用风险相关的数据集，所述数据集的每条样本包括多个特征；
[0010]基于所述数据集，训练所述
EBM
模型，所述
EBN
模型是所有主效应形函数和所有交互效应形函数之和，所述主效应形函数是针对单一所述特征的形函数，所述交互效应形函数是针对两个不同所述特征的形函数
。
[0011]可选地，所述预测结果还包括第二结果，所述第二结果包括所述多个特征针对所述第一结果的影响程度，用来分析预测得到所述第一结果的原因
。
[0012]可选地，获取信用风险相关的数据集，所述数据集的每条样本包括多个特征，进一步包括：
[0013]获取信用风险相关的样本集，所述样本集的每条样本包括多个项；
[0014]通过
Lasso
算法筛选所述多个项，将筛选出的项作为所述多个特征
。
[0015]可选地，获取信用风险相关的样本集，进一步包括：
[0016]获取银行披露的个人信用数据；
[0017]对所述个人信用数据进行预处理，形成所述样本集；
[0018]其中，所述样本集的每条样本包括的项至少包括如下的两种：
[0019]当前贷款利率，所在公司类型，工作年限，是否有房，审核情况，贷款用途类别，贷款的初始列表状态，借款人提前还款次数，借款人提前还款累计金额，工作类型，抵押贷款账户数量，教育类型，家庭成员人数，贷款的还款月数，借款人是否违约
。
[0020]可选地，所述预处理至少包括如下的一种：
[0021]缺失值处理
、
异常值处理
、
数据平衡处理和数据归一化处理
。
[0022]可选地，所述
Lasso
算法的公式为：
[0023][0024]其中，
y
是所述借款人是否违约的向量，
X
是所述多个项的矩阵，
β
是系数向量，
N
是样本数量，
α
是正则化强度超参数
。
[0025]可选地，所述
EBM
模型的训练过程还包括：
[0026]在所述
EBM
模型训练完成后，生成全局解释；
[0027]其中，所述全局解释包括：各个所述特征的重要性，和
/
或，各个所述特征和所述第一结果的函数关系
。
[0028]本专利技术的技术方案还提供的一种基于
EBM
模型的信用评估装置，所述装置包括：
[0029]获取模块，用于获取待预测对象的第一数据，所述第一数据为所述待预测对象的信用风险相关数据；
[0030]预测模块，用于将所述第一数据输入
EBM
模型，获取所述
EBM
模型输出的预测结果，所述预测结果包括第一结果，所述第一结果包括所述待预测对象在获取贷款后是否会违约；
[0031]其中，所述
EBM
模型的训练过程包括：
[0032]获取信用风险相关的数据集，所述数据集的每条样本包括多个特征；
[0033]基于所述数据集，训练所述
EBM
模型，所述
EBN
模型是所有主效应形函数和所有交互效应形函数之和，主效应形函数是针对单一特征的形函数，交互效应形函数是针对两个不同特征的形函数
。
[0034]本专利技术的技术方案还提供的一种电子设备，包括存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述基于
EBM
模型的信用评估方法的步骤
。
[0035]本专利技术的技术方案还提供的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于
EBM
模型的信用评估方法的步骤
。
[0036]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到
。
附图说明
[0037]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术
描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0038]图1为本专利技术实施例提供的一种基于
EBM
模型的信用评估方法的流程示意图；
[0039]图2为本专利技术实施例还提供的一种基于
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
EBM
模型的信用评估方法，其特征在于，所述方法包括：获取待预测对象的第一数据，所述第一数据为所述待预测对象的信用风险相关数据；将所述第一数据输入
EBM
模型，获取所述
EBM
模型输出的预测结果，所述预测结果包括第一结果，所述第一结果包括所述待预测对象在获取贷款后是否会违约；其中，所述
EBM
模型的训练过程包括：获取信用风险相关的数据集，所述数据集的每条样本包括多个特征；基于所述数据集，训练所述
EBM
模型，所述
EBN
模型是所有主效应形函数和所有交互效应形函数之和，所述主效应形函数是针对单一所述特征的形函数，所述交互效应形函数是针对两个不同所述特征的形函数
。2.
根据权利要求1所述的基于
EBM
模型的信用评估方法，其特征在于，所述预测结果还包括第二结果，所述第二结果包括所述多个特征针对所述第一结果的影响程度，用来分析预测得到所述第一结果的原因
。3.
根据权利要求1所述的基于
EBM
模型的信用评估方法，其特征在于，获取信用风险相关的数据集，所述数据集的每条样本包括多个特征，进一步包括：获取信用风险相关的样本集，所述样本集的每条样本包括多个项；通过
Lasso
算法筛选所述多个项，将筛选出的项作为所述多个特征
。4.
根据权利要求3所述的基于
EBM
模型的信用评估方法，其特征在于，获取信用风险相关的样本集，进一步包括：获取银行披露的个人信用数据；对所述个人信用数据进行预处理，形成所述样本集；其中，所述样本集的每条样本包括的项至少包括如下的两种：当前贷款利率，所在公司类型，工作年限，是否有房，审核情况，贷款用途类别，贷款的初始列表状态，借款人提前还款次数，借款人提前还款累计金额，工作类型，抵押贷款账户数量，教育类型，家庭成员人数，贷款的还款月数，借款人是否违约
。5.
根据权利要求4所述的基于
EBM
模型的信用评估方法，其特征在于，所述预处理至少包括如下的一种：缺失值处理
、
异常值处理
、
数据平衡处理和数据归一化处理

【专利技术属性】
技术研发人员：刘佳明，张雪妹，王刘安，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：