【技术实现步骤摘要】
本申请涉及人工智能领域，更具体的说，是涉及违约风险预测模型训练和违约风险预测方法及相关装置。
技术介绍
1、在银行众多的业务中，个人住房贷款业务具有贷款期限长、贷款额度高的特点。若个人住房贷款业务一旦出现违约现象，对银行资金的流动性和安全性均会产生负面影响。因而，在发展个人住房贷款客户的过程中做好客户识别，可以在源头处控制住风险。
2、目前，确定客户是否具有违约风险的过程是基于客户经理自身业务经验进行的主观判断，容易因业务人员经验不足造成风险识别结果与真实情况偏差较大的问题。
技术实现思路
1、有鉴于此，本申请提供了一种违约风险预测模型训练和违约风险预测方法及相关装置。
2、为实现上述目的，本申请提供如下技术方案：
3、根据本公开实施例的第一方面，提供一种违约风险预测模型训练方法，包括：
4、获取多个候选属性特征分别对应的重要程度，多个所述候选属性特征包括：客户基本信息、个人住房贷款申请信息以及贷款抵押物信息；
5、从多个所述候选属性特征中获取所述重要程度的绝对值大于或等于第一阈值的属性特征；
6、将样本客户的所述属性特征的属性值作为输入，将所述样本客户的标注违约风险概率作为训练目标，训练得到梯度提升决策树模型，所述梯度提升决策树模型包括一个或多个决策树，所述决策树包含的每一非叶子节点对应一个属性特征，一个所述非叶子节点对应的多个子节点是基于所述非叶子节点对应的属性特征的属性值划分的；
7、针对每一
8、将样本客户的所述属性特征的属性值以及所述衍生特征的属性值作为输入，将所述样本客户的标注违约风险概率作为训练目标，训练得到逻辑回归模型；
9、从所述逻辑回归模型中获取所述属性特征对应的显著性水平以及所述衍生特征对应的显著性水平；
10、从所述属性特征以及所述衍生特征中，获取所述显著性水平低于或等于预设显著性水平的目标属性特征以及目标衍生特征；
11、将样本客户的所述目标属性特征的属性值以及所述目标衍生特征的属性值作为输入，以所述样本客户的标注违约风险概率作为训练目标，训练得到违约风险预测模型。
12、根据本公开实施例的第二方面，提供一种违约风险预测方法，包括：
13、获取待测客户的待测数据集合，所述待测数据集合包括所述待测客户的目标属性特征的属性值以及目标衍生特征的属性值；
14、将所述待测数据集合输入至违约风险预测模型，通过所述违约风险预测模型获得所述待测客户的违约风险概率，所述违约风险预测模型采用如第一方面所述违约风险预测模型训练方法进行训练。
15、根据本公开实施例的第三方面，提供一种违约风险预测模型训练装置，包括：
16、第一获取模块，用于获取多个候选属性特征分别对应的重要程度，多个所述候选属性特征包括：客户基本信息、个人住房贷款申请信息以及贷款抵押物信息；
17、第二获取模块，用于从多个所述候选属性特征中获取所述重要程度的绝对值大于或等于第一阈值的属性特征；
18、第一训练模块，用于将样本客户的所述属性特征的属性值作为输入，将所述样本客户的标注违约风险概率作为训练目标，训练得到梯度提升决策树模型，所述梯度提升决策树模型包括一个或多个决策树，所述决策树包含的每一非叶子节点对应一个属性特征，一个所述非叶子节点对应的多个子节点是基于所述非叶子节点对应的属性特征的属性值划分的；
19、第三获取模块，用于针对每一所述决策树，获取所述决策树中的叶子节点对应的衍生特征，所述叶子节点对应的衍生特征为所述决策树由父节点至所述叶子节点途经的属性特征以及属性值组成的；
20、第二训练模块，用于将样本客户的所述属性特征的属性值以及所述衍生特征的属性值作为输入，将所述样本客户的标注违约风险概率作为训练目标，训练得到逻辑回归模型；
21、第四获取模块，用于从所述逻辑回归模型中获取所述属性特征对应的显著性水平以及所述衍生特征对应的显著性水平；
22、第五获取模块，用于从所述属性特征以及所述衍生特征中，获取所述显著性水平低于或等于预设显著性水平的目标属性特征以及目标衍生特征；
23、第三训练模块，用于将样本客户的所述目标属性特征的属性值以及所述目标衍生特征的属性值作为输入，以所述样本客户的标注违约风险概率作为训练目标，训练得到违约风险预测模型。
24、根据本公开实施例的第四方面，提供一种违约风险预测装置，包括：
25、第六获取模块，用于获取待测客户的待测数据集合，所述待测数据集合包括所述待测客户的目标属性特征的属性值以及目标衍生特征的属性值；
26、预测模块，用于将所述待测数据集合输入至违约风险预测模型，通过所述违约风险预测模型获得所述待测客户的违约风险概率，所述违约风险预测模型采用如权利要求1至6任一所述违约风险预测模型训练方法进行训练。
27、根据本公开实施例的第五方面，提供一种服务器，包括：
28、处理器；
29、用于存储所述处理器可执行指令的存储器；
30、其中，所述处理器被配置为执行所述指令，以实现如第一方面所述违约风险预测模型训练方法；或者，实现如第二方面所述违约风险预测方法。
31、经由上述的技术方案可知，本申请提供了一种违约风险预测模型训练方法，由于训练违约风险预测模型的样本客户的目标属性特征高于第一阈值，且，目标属性特征和目标衍生特征的显著性水平低于或等于预设显著性水平，说明通过目标属性特征的属性值以及目标衍生特征对违约风险预测模型进行训练，可以提高违约风险预测模型的准确度，而低于第一阈值的候选属性特征，或显著性水平高于预设显著性水平的属性特征和衍生特征不会影响违约风险概率，所以对于违约风险预测模型的训练并无益处。若使用包含重要程度小于或等于第一阈值的候选属性特征或者显著性水平高于预设显著性水平的属性特征以及衍生特征的样本客户训练违约风险预测模型，不仅会降低违约风险预测模型输出的违约风险概率的准确性，还会增大训练违约风险预测模型过程中的数据量。所以使用包含多个目标属性特征和目标衍生特征的样本客户训练违约风险预测模型，大大降低了训练违约风险预测模型过程中的数据量，且，提高了违约风险预测模型输出违约风险概率的准确性。由于违约风险预测模型输出的违约风险概率比较准确，所以可以得到准确的待测客户的违约风险概率，从而可以确定是否为待测客户办理贷款。
本文档来自技高网...【技术保护点】
1.一种违约风险预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述违约风险预测模型训练方法，其特征在于，所述将样本客户的所述目标属性特征的属性值以及所述目标衍生特征的属性值作为输入，以所述样本客户的标注违约风险概率作为训练目标，训练得到违约风险预测模型步骤包括：
3.根据权利要求1或2所述违约风险预测模型训练方法，其特征在于，所述客户基本信息包括可比月收入，所述个人住房贷款申请信息包括可比贷款金额，所述贷款抵押物信息包括可比市场单价；
4.根据权利要求3所述违约风险预测模型训练方法，其特征在于，多个所述候选属性特征还包括贷款占比以及收入偿债比；所述贷款占比＝所述可比贷款金额/(住房总价/所述居民消费价格指数)，所述收入偿债比＝月还款额/所述月收入。
5.根据权利要求1所述违约风险预测模型训练方法，其特征在于，所述将样本客户的所述属性特征的属性值以及所述衍生特征的属性值作为输入，将所述样本客户的标注违约风险概率作为训练目标，训练得到逻辑回归模型步骤包括：
6.根据权利要求1所述违约风险预测模型训练方法，其特征在于
7.一种违约风险预测方法，其特征在于，包括：
8.一种违约风险预测模型训练装置，其特征在于，包括：
9.一种违约风险预测装置，其特征在于，包括：
10.一种服务器，其特征在于，包括：
...【技术特征摘要】
1.一种违约风险预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述违约风险预测模型训练方法，其特征在于，所述将样本客户的所述目标属性特征的属性值以及所述目标衍生特征的属性值作为输入，以所述样本客户的标注违约风险概率作为训练目标，训练得到违约风险预测模型步骤包括：
3.根据权利要求1或2所述违约风险预测模型训练方法，其特征在于，所述客户基本信息包括可比月收入，所述个人住房贷款申请信息包括可比贷款金额，所述贷款抵押物信息包括可比市场单价；
4.根据权利要求3所述违约风险预测模型训练方法，其特征在于，多个所述候选属性特征还包括贷款占比以及收入偿债比；所述贷款占比＝所述可比贷款金额/(住房总价/...
【专利技术属性】
技术研发人员：林娜，吕杨，蔡智，邓健，
申请(专利权)人：中国银行股份有限公司，
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。