一种基于熵特征与自适应超参数的信用卡违约预测方法技术

本申请涉及一种基于熵特征与自适应超参数的信用卡违约预测方法，元网络包括超参数生成器、基学习器；超参数生成器生成基学习器更新用的第一超参数；在任意一个任务中，通过特征提取函数提取出任务的状态信息，并通过任务中类别出现的概率计算任务的熵特征，利用熵特征为任务中各样本的各特征加权；基于第一超参数更新基学习器的第二超参数，更新时根据任务中的熵特征动态调整第一超参数；计算状态信息下的熵，根据熵值更新第一超参数；执行完所有任务，并基于所有特征的权重、每个任务中的预测损失、正则化项计算总损失以优化元网络，优化后的基学习器在查询集上进行信用卡违约预测。该方法提高了元网络的预测准确性，减少了过拟合的风险。

【技术实现步骤摘要】

本申请涉及信用卡违约预测，特别是涉及一种基于熵特征与自适应超参数的信用卡违约预测方法。

技术介绍

1、在机器学习领域，充足的数据是实现高效模型训练的基础。在信用卡违约预测中，金融数据通常具有高维特征、非线性关系以及噪声数据等特点，这些都对模型的训练和预测提出了巨大挑战。高维特征使得数据维度过高，导致模型容易过拟合；非线性关系则使得简单的线性模型难以准确捕捉数据之间的复杂关系；同时，金融数据中存在大量噪声，这进一步增加了模型训练的难度。因此，如何在这种复杂的数据环境中准确识别潜在的违约风险，是当前面临的重要问题；而且信用卡约为需要高度精确的模型来识别潜在的违约风险，但在实际应用中，数据样本往往稀少且存在不平衡性，这使得模型训练更加困难。

2、小样本学习正是为了解决这一难题，通过利用有限的数据样本来训练模型，以实现较高的泛化能力。然而，现有的小样本学习方法仍然存在诸多局限性，例如模型过拟合和泛化能力不足等问题。

技术实现思路

1、基于此，有必要提供一种基于熵特征与自适应超参数的信用卡违约预测方法，该方本文档来自技高网...

【技术保护点】

1.一种基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，包括：

2.根据权利要求1所述的基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，S1中，还包括划分任务，任务划分的度量公式为：

3.根据权利要求2所述的基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，样本的特征包括信用评分、月收入、信用卡额度、最近一次还款金额、最近一次还款日期、历史还款记录。

4.根据权利要求1所述的基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，状态信息的提取表示为：

5.根据权利要求2所述的基于熵特征与自适应超参数的信用卡违...

【技术特征摘要】

1.一种基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，包括：

2.根据权利要求1所述的基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，s1中，还包括划分任务，任务划分的度量公式为：

3.根据权利要求2所述的基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，样本的特征包括信用评分、月收入、信用卡额度、最近一次还款金额、最近一次还款日期、历史还款记录。

4.根据权利要求1所述的基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，状态信息的提取表示为：

5.根据权利要求2所述的基于熵特征与自适应超参数的信用卡违约预测方法，其特征在于，任务的熵特征计算公式为：...

【专利技术属性】
技术研发人员：陈晓红，霍杨杰，徐雪松，杨万莲，王煜坤，方小蝶，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：