【技术实现步骤摘要】
本申请涉及模型训练，尤其涉及一种借贷风控模型训练方法、设备以及可读存储介质。
技术介绍
1、风控即风险控制，是金融行业中常用的名词。金融市场中的风险控制主要表现在信用风险评估上，也就是借款或办卡业务中。金融企业对客户的各项申请资料、综合资质进行风险测评，对违约风险较高的客户会发放拒绝通知。同时，在客户使用金融企业提供的各项服务时，也会被企业中的工作人员或系统监督，一旦出现交易风险或违约风险，客户的账户可能会被冻结。
2、对于金融企业而言，提供的贷款一般还款周期短，客户资质要求高，放贷资金多，对风控能力有很高的水平要求。随着信贷市场的不断壮大，信贷业务增长迅猛，在有限的人员设备和不断增长的业务需求下，需要更加智能的方法对业务的风险进行把控，同时不影响业务的增长。
3、当前，对于大多数金融公司而言，主要是通过构建风控模型来获取客户的信贷违约风险概率预测值。信贷违约风险概率预测值用于表征客户存在信贷违约行为的概率，信贷违约风险概率预测值越大，客户存在信贷违约行为的概率就越大。信贷违约风险概率预测值越小，客户存在信贷违约行为的概率就越低。
4、因此，如何生成科学精确的样本数据用于训练风控模型，从而使得风控模型输出客户的信贷违约风险概率预测值更加科学，是技术人员日益关注的问题。
技术实现思路
1、本申请实施例提供一种借贷模型训练方法、设备以及可读存储介质，使得训练后的借贷风控模型输出的关于用户的信贷违约概率预测值更加准确和科学。
2、第一方面，
3、在上述实施例中，先使用第一样本数据训练借贷风控模型，使得借贷风控模型具备准确预测客户在mob12上发生信贷违约的概率。第一样本数据包括在mob12中未发生信贷违约的客户的特征信息和mob12中发生信贷违约的客户的特征信息。然后，使用第二样本数据训练训练好的借贷风控模型，从而使得借贷风控模型输出的客户的发生信贷违约的预测值能够兼顾mob12和mob n，进而提高借贷风控模型输出的客户发生信贷违约风险的概率预测值的准确性、全面性和科学性。
4、结合第一方面，在一种可能实现的方式中，训练后的第一借贷风控模型包括q个，通过第二样本数据训练第三借贷风控模型之前，还包括：将第一验证数据通过q个训练后的第一借贷风控模型进行处理，得到q个第一信贷违约概率预测值；将q个第一信贷违约概率预测值中，与对应标签信息最接近的前m个第一信贷违约概率预测值对应的第一借贷风控模型作为第三借贷风控模型。
5、结合第一方面，在一种可能实现的方式中，通过第二样本数据训练第三借贷风控模型，得到训练好的第二借贷风控模型之前，包括：将第二借贷风控模型中的第一参数的数值设置为m1，m1的取值大于或等于5，小于或等于20；第一参数用于表征第二借贷风控模型中二分类树的数量。
6、结合第一方面，在一种可能实现的方式中，通过第二样本数据训练第三借贷风控模型之后，包括：将第二验证数据通过m个第三借贷风控模型进行处理，得到m个第二信贷违约概率预测值；将m个第二信贷违约概率预测值中，与对应标签信息最接近的第二信贷违约概率预测值对应的第三借贷风控模型作为第二借贷风控模型。
7、结合第一方面，在一种可能实现的方式中，第一样本数据中包括标签信息，标签信息表征第一样本数据的第一用户在借贷后的12个月是否发生信贷违约；在标签信息为第一标签的情况下，第一用户在借贷后的12个月发生了信贷违约；在标签信息为第二标签的情况下，第一用户在借贷后的12个月未发生信贷违约。
8、结合第一方面，在一种可能实现的方式中，标签信息是基于第一用户在借款后每个月的还款金额、第一用户的借款金额得到的；其中，当第一用户的逾期率大于或等于设定阈值时，第一用户的标签信息为第一标签；当第一用户的逾期率小于设定阈值时，第一用户的标签信息为第二标签；第一用户的逾期率根据公式k＝(y-l)/l计算得到，k为逾期率，y为第一用户在借款后的12个月累计还款金额，l为第一用户的借款金额。
9、第二方面，本申请实施例提供了一种借贷模型训练设备，所述借贷模型训练设备包括存储器和处理器；
10、其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器存储的程序代码执行：获取第一样本数据和第二样本数据，第一样本数据包括第一用户的特征信息，第二样本数据包括第二用户的特征信息，第一用户包括在贷款后12个月发生信贷违约的客户和未发生信贷违约的客户，第二用户包括在贷款后n个月发生信贷违约的客户和未发生信贷违约的客户，n小于12；通过第一样本数据训练第一借贷风控模型，得到训练后的第一借贷风控模型；通过第二样本数据训练第三借贷风控模型，得到训练好的第二借贷风控模型，第三借贷风控模型为训练好的第一借贷风控模型。
11、结合第二方面，在一种可能实现的方式中，训练后的第一借贷风控模型包括q个，通过第二样本数据训练第三借贷风控模型之前，所述处理器用于调用所述存储器存储的程序代码，执行：将第一验证数据通过q个训练后的第一借贷风控模型进行处理，得到q个第一信贷违约概率预测值；将q个第一信贷违约概率预测值中，与对应标签信息最接近的前m个第一信贷违约概率预测值对应的第一借贷风控模型作为第三借贷风控模型。
12、结合第二方面，在一种可能实现的方式中，通过第二样本数据训练第三借贷风控模型，得到训练好的第二借贷风控模型之前，所述处理器用于调用所述存储器存储的程序代码，执行：将第二借贷风控模型中的第一参数的数值设置为m1，m1的取值大于或等于5，小于或等于20；第一参数用于表征第二借贷风控模型中二分类树的数量。
13、结合第二方面，在一种可能实现的方式中，通过第二样本数据训练第三借贷风控模型之后，所述处理器用于调用所述存储器存储的程序代码，执行：将第二验证数据通过m个第三借贷风控模型进行处理，得到m个第二信贷违约概率预测值；将m个第二信贷违约概率预测值中，与对应标签信息最接近的第二信贷违约概率预测值对应的第三借贷风控模型作为第二借贷风控模型。
14、结合第二方面，在一种可能实现的方式中，第一样本数据中包括标签信息，标签信息表征第一样本数据的第一用户在借贷后的12个月是否发生信贷违约；在标签信息为第一标签的情况下，第一用户在借贷后的12个月发生了信贷违约；在标签信息为第二标签的情况下，第一用户在借贷后的12个月未发生信贷违约。
15、结合第二方面，在一种可能本文档来自技高网...
【技术保护点】
1.一种借贷风控模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述训练后的第一借贷风控模型包括Q个，所述通过所述第二样本数据训练第三借贷风控模型之前，还包括：
3.如权利要求1所述的方法，其特征在于，所述通过所述第二样本数据训练第三借贷风控模型，得到训练好的第二借贷风控模型之前，包括：
4.如权利要求2所述的方法，其特征在于，所述通过所述第二样本数据训练第三借贷风控模型之后，包括：
5.如权利要求1所述的方法，其特征在于，所述第一样本数据中包括标签信息，所述标签信息表征所述第一样本数据的第一用户在借贷后的12个月是否发生信贷违约；
6.如权利要求5所述的方法，其特征在于，所述标签信息是基于所述第一用户在借款后每个月的还款金额、所述第一用户的借款金额得到的；
7.一种借贷风控模型训练设备，其特征在于，包括：存储器和处理器，其中：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1-6任意一项所述的方
...【技术特征摘要】
1.一种借贷风控模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述训练后的第一借贷风控模型包括q个，所述通过所述第二样本数据训练第三借贷风控模型之前，还包括：
3.如权利要求1所述的方法，其特征在于，所述通过所述第二样本数据训练第三借贷风控模型，得到训练好的第二借贷风控模型之前，包括：
4.如权利要求2所述的方法，其特征在于，所述通过所述第二样本数据训练第三借贷风控模型之后，包括：
5.如权利要求1所述的方法，其特征在于...
【专利技术属性】
技术研发人员：曾文琦，单黎平，杨青，
申请(专利权)人：度小满科技北京有限公司，
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。