资源数据分配方法及装置制造方法及图纸

本说明书涉及机器学习技术领域，具体地公开了一种资源数据分配方法及装置，其中，该方法包括：获取具有用于表征对象风险特征的特征数据的样本集、及标签集；利用预设的特征选择算法计算样本集中对应的多个原始特征中各原始特征的特征权重，并根据各原始特征的特征权重筛选出目标特征集；基于目标特征集、样本集及标签集，构建分类器；各原始特征的特征权重是基于不同样本在各原始特征下的距离确定的；不同样本在各原始特征下的距离是基于内部距离和外部距离计算得到的，内部距离用于表征当前原始特征下两个样本之间的距离，外部距离用于表征其他原始特征对当前原始特征下两个样本之间的距离的影响。上述方法能够提高特征选择的效率和准确率。

【技术实现步骤摘要】

本说明书涉及机器学习，特别涉及一种资源数据分配方法及装置。

技术介绍

1、随着大数据服务平台技术的快速发展，金融资源数据服务类型以及可选择的服务渠道也越来越多样化、越来越便捷。信用风险评估在金融领域扮演着至关重要的角色，对银行、金融机构、信用卡公司以及其他贷款提供者而言具有战略性的重要性。信用风险评估旨在量化一个个人或机构未来违约的概率，从而帮助决策者制定贷款审批、利率制定和信用限额等决策，以降低违约风险，维护金融机构的健康运营。

2、目前，基于机器学习模型来进行信用风险评估，在训练模型时，通常需要从大量的特征中选择少量的有用特征来进行模型训练。特征选择就是自动地选择对于预测最重要的特征的一个子集。然而，现有技术中的特征选择方法选择出的特征可能并不能准确表征风险特征，使得训练出的模型无法准确预测信用风险。

3、针对上述问题，目前尚未提出有效的解决方案。

技术实现思路

1、本说明书实施例提供了一种资源数据分配方法及装置，以解决现有技术中信用风险评估不够准确的问题。p>

2、本说明本文档来自技高网...

【技术保护点】

1.一种资源数据分配方法，其特征在于，包括：

2.根据权利要求1所述的资源数据分配方法，其特征在于，利用预设的特征选择算法计算所述样本集中包含的所有原始特征中各原始特征的特征权重，包括：

3.根据权利要求2所述的资源数据分配方法，其特征在于，根据所述各第一样本与所述目标样本在所述各原始特征下的距离和所述各第二样本与所述目标样本在所述各原始特征下的距离，更新所述各原始特征的特征权重，包括：

4.根据权利要求1所述的资源数据分配方法，其特征在于，按照以下公式计算不同样本在所述各原始特征下的距离：

5.根据权利要求4所述的资源数据分配方法，其特征...

【技术特征摘要】

1.一种资源数据分配方法，其特征在于，包括：

2.根据权利要求1所述的资源数据分配方法，其特征在于，利用预设的特征选择算法计算所述样本集中包含的所有原始特征中各原始特征的特征权重，包括：

3.根据权利要求2所述的资源数据分配方法，其特征在于，根据所述各第一样本与所述目标样本在所述各原始特征下的距离和所述各第二样本与所述目标样本在所述各原始特征下的距离，更新所述各原始特征的特征权重，包括：

4.根据权利要求1所述的资源数据分配方法，其特征在于，按照以下公式计算不同样本在所述各原始特征下的距离：

5.根据权利要求4所述的资源数据分配方法，其特征在于，按照以下公式计算在原始特征ai下特征值vj(x1)与特征值vi(x2)之间...

【专利技术属性】
技术研发人员：王鑫浩，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：