System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术实施例涉及金融数据处理,尤其涉及一种信用评估模型生成方法、装置、设备及存储介质。
技术介绍
1、目前常用的数据挖掘方法,主要是传统的衍生方法来确保数据的可解释性,传统衍生主要是基于信息聚合,例如,计数count、求和sum、比率ratio、最大max、最小值min,这些方法都基于对单个变量的纵向刻画,缺乏特征与特征之间的横向交互。这样挖掘变量会存在认知盲区导致评估模型的精确度低。
2、因此,如何提升模型评估的精确度,从而降低风险成为现在亟待解决的问题。
技术实现思路
1、鉴于此,为解决上述技术问题或部分技术问题,本专利技术实施例提供一种信用评估模型生成方法、装置、设备及存储介质。
2、第一方面,本专利技术实施例提供一种信用评估模型生成方法,包括:
3、获取多个目标对象对应的属性信息和信用信息;
4、将所述属性信息和所述信用信息作为初始变量构建决策树模型;
5、根据决策树模型从所述初始变量中挖掘出新变量;
6、确定所述新变量对应的模型特征值;
7、根据所述模型特征值进行逻辑回归,得到所述评估模型。
8、在一个可能的实施方式中,所述根据决策树模型从所述初始变量中挖掘出新变量,包括:
9、根据lightgbm算法对所述初始变量进行组合;
10、判断组合后的所述初始变量是否符合预设的业务要求;
11、当符合所述业务要求时,确定所述初始变量为所述新变量
12、在一个可能的实施方式中,所述根据所述模型特征值进行逻辑回归,得到所述评估模型,包括:
13、将所述模型特征值作为所述逻辑回归的自变量,将所述信用信息作为所述逻辑回归的因变量;
14、基于所述自变量和所述因变量进行逻辑回归训练,得到训练好的所述评估模型。
15、在一个可能的实施方式中,所述根据决策树模型从所述初始变量中挖掘出新变量之后,所述方法还包括:
16、获取所述决策树模型对应的多个参数集合;
17、针对每个所述参数集合,调整所述决策树模型中的参数,得到多个候选模型,以使每个所述候选模型输出结果数据;
18、确定每个所述结果数据的准确率;
19、根据准确率最高的结果数据对应的参数集合,对所述决策树模型进行调整。
20、在一个可能的实施方式中,所述获取所述决策树模型对应的多个参数集合,包括:
21、获取所述决策树模型对应的多组学习率、树的深度、叶子数、提升类型、迭代次数、目标函数作为所述参数集合。
22、在一个可能的实施方式中,所述确定所述新变量对应的模型特征值,包括:
23、确定每个所述新变量对应的变量价值;
24、判断所述变量价值是否大于设定阈值;
25、针对所述变量价值大于设定阈值的新变量,确定对应的模型特征值。
26、在一个可能的实施方式中,当所述决策树模型使用的是lightgbm算法时,所述方法还包括:
27、当所述模型特征值中存在缺失值时,根据所述lightgbm算法确定所述缺失值对应的左节点和右节点的增益;
28、将所述缺失值分配到所述增益最大的节点中。
29、第二方面,本专利技术实施例提供一种信用评估模型生成装置,包括:
30、获取模块,用于获取多个目标对象对应的属性信息和信用信息;
31、处理模块,用于将所述属性信息和所述信用信息作为初始变量构建决策树模型;
32、挖掘模块,用于根据决策树模型从所述初始变量中挖掘出新变量;
33、确定模块,用于确定所述新变量对应的模型特征值;
34、所述处理模块,还用于根据所述模型特征值进行逻辑回归,得到所述评估模型。
35、第三方面,本专利技术实施例提供一种设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的信用评估模型生成程序,以实现上述第一方面中任一项所述的信用评估模型生成方法。
36、第四方面,本专利技术实施例提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面中任一项所述的信用评估模型生成方法。
37、本专利技术实施例提供的信用评估模型生成方案,通过获取多个目标对象对应的属性信息和信用信息;将所述属性信息和所述信用信息作为初始变量构建决策树模型;根据决策树模型从所述初始变量中挖掘出新变量;确定所述新变量对应的模型特征值;根据所述模型特征值进行逻辑回归,得到所述评估模型。由此,可以实现综合利用决策树模型变量组合能力和逻辑回归的可解释性提高信用评估模型的评估精度。
本文档来自技高网...【技术保护点】
1.一种信用评估模型生成方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据决策树模型从所述初始变量中挖掘出新变量,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述模型特征值进行逻辑回归,得到所述评估模型,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据决策树模型从所述初始变量中挖掘出新变量之后,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述获取所述决策树模型对应的多个参数集合,包括:
6.根据权利要求1所述的方法,其特征在于,所述确定所述新变量对应的模型特征值,包括:
7.根据权利要求1所述的方法,其特征在于,当所述决策树模型使用的是lightgbm算法时,所述方法还包括:
8.一种信用评估模型生成装置,其特征在于,包括:
9.一种设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的信用评估模型生成程序,以实现权利要求1~7中任一项所述的信用评估模型生成方法。
10.一种存储介质,其
...【技术特征摘要】
1.一种信用评估模型生成方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据决策树模型从所述初始变量中挖掘出新变量,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述模型特征值进行逻辑回归,得到所述评估模型,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据决策树模型从所述初始变量中挖掘出新变量之后,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述获取所述决策树模型对应的多个参数集合,包括:
6.根据权利要求1所述的方法,其特征在于,所述确定所述新...
【专利技术属性】
技术研发人员:王雪蓉,鲁海生,刘慈文,
申请(专利权)人:上海晓途网络科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。