信用评分模型的训练方法、信用评分方法及装置制造方法及图纸

本发明专利技术涉及信用评分模型的训练方法、信用评分方法及装置，首先将样本数据的特征按不同的类别进行分类划分，划分为多个子样本，每个子类别包含对信用评分有重要影响的相关特征；然后在每个子样本数据上建立逻辑回归模型，根据训练结果获取子模型的预测概率；最后组合综合信用评分模型，利用优化算法来确定这些子模型评分的最优权重组合，将子模型按权重组合成一个综合评分模型。对于子模型的权重系数没有采用简单的平均加权，而是根据优化算法去确认最优权重。该模型能够综合考虑各类信息对信用评分的影响，从而达到最大化提升模型预测的准确性。

【技术实现步骤摘要】

本专利技术涉及信用风险评估，尤其涉及一种信用评分模型的训练方法、信用评分方法及装置。

技术介绍

1、信用评分是金融机构在信贷决策过程中的重要工具，它能够帮助金融机构评估借款人的信用风险，从而决定是否批准贷款以及贷款的条件。随着信息技术的发展，我们可以从多个维度获取借款人的各类信息，如个人基本信息、财务状况、个人征信、行为特征等。这些信息为信用评分模型的构建提供了丰富的数据支持。随着金融领域的不断发展和信息技术的日益成熟，信用评分模型在风险管理和贷款决策中扮演着至关重要的角色。

2、传统的信用评分模型通常基于统计学方法，如逻辑回归、决策树等，将借款人的各类信息综合考虑，从而评估其信用风险水平。在现有技术中，已经提出了一些用于改进信用评分模型的方法。其中，最相近似的实现方案之一是基于集成学习的方法，如随机森林、梯度提升树等。这些方法通过组合多个基学习器，利用集体智慧来提高模型的泛化能力和预测准确性。然而，现有的集成学习方法仍然存在一些不足之处。首先，这些方法通常将所有特征都视为同等重要，无法有效地区分不同类型信息的重要性。其次，由于基学习器之间的相本文档来自技高网...

【技术保护点】

1.一种信用评分模型的训练方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的信用评分模型的训练方法，其特征在于：每个子样本切片包含样本的样本id、Y标签字段及对应子类别的特征变量Xi。

3.根据权利要求1所述的信用评分模型的训练方法，其特征在于：将子模型的预测概率转换为得分，再将样本所有子模型预测分数及Y标签字段输出到一张宽表中，用于后续的算法适应度计算。

4.根据权利要求1所述的信用评分模型的训练方法，其特征在于：利用模拟退火粒子群算法来确定子模型评分的最优权重组合，具体包括如下步骤：

5.根据权利要求4所述的信用评分模型的训练方...

【技术特征摘要】

1.一种信用评分模型的训练方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的信用评分模型的训练方法，其特征在于：每个子样本切片包含样本的样本id、y标签字段及对应子类别的特征变量xi。

3.根据权利要求1所述的信用评分模型的训练方法，其特征在于：将子模型的预测概率转换为得分，再将样本所有子模型预测分数及y标签字段输出到一张宽表中，用于后续的算法适应度计算。

4.根据权利要求1所述的信用评分模型的训练方法，其特征在于：利用模拟退火粒子群算法来确定子模型评分的最优权重组合，具体包括如下步骤：

5.根据权利要求4所述的信用评分模型的训练方法，其特征在于：步骤s2中，粒子位置向量xid的维度为d-1，d为子模型个数，向量每个维度的大小需要限制在0～1之间，对于不满足条件的粒子需要重新生成。

6.根据权利要...

【专利技术属性】
技术研发人员：黄建建，
申请(专利权)人：上海交通大学苏州人工智能研究院，
类型：发明
国别省市：