CN109308660A - 一种征信评分模型评估方法、装置、设备及存储介质 - Google Patents
一种征信评分模型评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109308660A CN109308660A CN201710625107.9A CN201710625107A CN109308660A CN 109308660 A CN109308660 A CN 109308660A CN 201710625107 A CN201710625107 A CN 201710625107A CN 109308660 A CN109308660 A CN 109308660A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- model variable
- reference rating
- variable parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供一种征信评分模型评估方法、装置、电子设备及存储介质,该方法包括:获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;计算每一差值与对应的模型变量参数的变量系数的乘积,得到模型变量参数的偏离度;根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。由于通过计算偏离度对目标用户在征信评分模型中的每一模型变量值进行评估,从而解决了对征信评分模型进行评估,获得影响用户评分的模型变量参数的问题。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种征信评分模型评估方法、装置、设备及存储介质。
背景技术
众所周知,在进行信用卡办理或者信用贷款中,通常采用征信系统的征信评分模型对用户进行征信评分,并给出征信评分值或者征信评分是否通过的结果。现有的征信评分模型的模型变量参数具有多种,同时现有的服务系统中也存在多种信用服务,不同的信用服务对模型的影响力不相同,在多种信用服务并存的当今社会,仅给出征信评分值或者征信评分是否通过的结果已然不能满足需求。因此,如何解决对征信评分模型进行评估,获得影响用户评分的模型变量参数,成为了亟需解决的问题。
发明内容
本发明实施例提供一种征信评分模型评估方法、装置、设备及存储介质,以对征信评分模型进行评估,获得影响用户评分的模型变量参数。
一方面,本发明实施例提供了一种征信评分模型评估方法,包括:
获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;
计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;
计算每一差值与对应的模型变量参数的变量系数的乘积,得到所述模型变量参数的偏离度;
根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。
另一方面,本发明实施例还提供了一种征信评分模型评估装置,包括:
获取模块,用于获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;
第一计算模块,用于计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;
第二计算模块,用于计算每一差值与对应的模型变量参数的变量系数的乘积,得到所述模型变量参数的偏离度;
处理模块,用于根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。
另一方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序被执行时实现上述征信评分模型评估方法中的步骤。
另一方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述信评分模型评估方法的步骤。
这样,在本实施例中,获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;计算每一差值与对应的模型变量参数的变量系数的乘积,得到模型变量参数的偏离度;根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。由于通过计算偏离度对目标用户在征信评分模型中的每一模型变量值进行评估,从而解决了对征信评分模型进行评估,获得影响用户评分的模型变量参数的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的应用环境示意图;
图2是本发明实施例提供的征信评分模型评估方法的流程图;
图3是本发明实施例提供的征信评分模型评估方法的流程图;
图4是本发明实施例提供的征信评分模型评估方法的流程图;
图5是本发明实施例提供的征信评分模型评估装置的结构图;
图6是本发明实施例提供的电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,图1为本发明实施例应用环境示意图,如图1所示,包括客户端01和服务器02,客户端01与服务器02可以通过网络进行通信,在客户端01中安装有征信评分软件,该征信评分软件包括征信评分模型,该征信评分模型可以对用户的征信进行评分,该征信评分软件还具有对征信评分模型进行评估的功能,可以对用户在征信评分模型中的每一模型变量值进行评估。服务器02中存储有各用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值。客户端01可以通过网络与服务器02进行交互获取到需要进行评分的目标用户的模型变量值。
参照图2,本发明实施例提供了一种征信评分模型评估方法,该方法包括:
步骤101,获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;
本发明实施例提供的征信评分模型评估方法主要应用在征信系统中,上述征信评分模型通常采用逻辑回归模型,可以根据预先获取的训练样本训练得到逻辑回归模型,然后将需要评分用户的模型变量值输入到征信评分模型中即可计算获得用户的征信评分。其中,用户的模型变量值为模型变量参数具体的变量值;模型变量参数为年龄时,对应的模型变量值为用户的年龄值。
本实施例中,上述模型变量参数的类型可以根据实际需要进行设置,例如可以包括年龄、过去12个月内是否有逾期记录、最近3个月申请的贷款数和额度使用率等。通常的,逻辑回归模型中每一模型变量参数对应用户的一模型变量值,当然也可以存在用户不具有某一项或者多项模型变量参数对应的模型变量值。此时,在计算时,可以配置一个预先设定的假设值作为该用户的模型变量值,或者删除该评分项等,具体的处理方式在此不做进一步的限定。
步骤102,计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;
步骤103,计算每一差值与对应的模型变量参数的变量系数的乘积,得到模型变量参数的偏离度;
上述偏离度用于反映影响用户评分的影响力度,具体的,影响用户评分是指使得用户评分较低或较高。本实施例偏离度越大,影响力度越大。
应当说明的是,每一模型变量值均对应有一基准值,具体的,该基准值的大小可以根据实际需要进行设置。例如,在一实施例中,该模型变量值对应的基准值为:所述征信评分模型中与所述模型变量值对应的模型变量参数在目标样本上的均值。
在本发明实施例中,目标用户的第n个模型变量值An与所述第n个模型变量值对应的基准值Xn_mean以及偏离度devn之间满足:
devn=an(An-Xn_mean),其中,an为第n个模型变量值An对应的模型变量参数的变量系数。
步骤104,根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。
该步骤中,根据偏离度对每一模型变量值进行评估的方式可以根据实际需要进行设置,例如可以将每一模型变量值按照对应的偏离度的大小进行排序,也可以提取偏离度较大的前N位模型变量值等等。
本实施例中,在目标用户的第n个模型变量参数Xn对应的模型变量值为An。应理解,对不同的用户而言,影响用户评分的主要因子(即是模型变量参数)不一样,通过计算每一用户的每一模型变量参数的偏离度即可确定,每一用户的主要影响因子,即影响评分的主要模型变量值。例如以10个模型变量参数(X1、X2、X3、X4、X5、X6、X7、X8、X9和X10)而言,上述征信评分模型可以为:
y=a0+a1X1+a2X2+a3X3+a4X4+a5X5+a6X6+a7X7+a8X8+a9X9+a10X10
其中,影响用户A的模型变量参数可能是X1、X3、X5、X9和X10,而影响用户B的模型变量参数可能是X2、X7、X1、X4和X5。
这样,在本实施例中,获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;计算每一差值与对应的模型变量参数的变量系数的乘积,得到模型变量参数的偏离度;根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。由于通过计算偏离度对目标用户在征信评分模型中的每一模型变量值进行评估,从而解决了对征信评分模型进行评估,获得影响用户评分的模型变量参数的问题。
进一步的,参照图3,上述方法还包括:
步骤105,判断征信评分模型对目标用户的征信评分是否满足拒绝信用服务条件,若是,则执行步骤101,否则输出征信评分或征信评分通过的结果。
并且,上述步骤104包括:
步骤1041,确定偏离度满足第一预设条件的目标模型变量值;
步骤1042,输出所述目标模型变量值对应的拒绝原因。
本实施例中,上述征信评分模型可以根据所有模型变量参数对应的模型变量值对目标用户进行打分,以得到该用户的综合征信评分。征信评分满足拒绝信用服务条件是指,该用户的征信评分较小,拒绝本次的信用服务。具体的,拒绝信用服务条件可以根据实际需要进行设置,例如,当征信评分小于预设值时,可以确定征信评分满足拒绝信用服务条件。
例如上述征信评分模型为:y=a0+a1X1+a2X2+a3X3
在上述征信评分模型中,a0为常数,X1、X2和X3为征信评分模型的模型变量参数,a1为模型变量参数X1的变量系数,a2为模型变量参数X2的变量系数,a3为模型变量参数X3的变量系数。将目标用户对应X1、X2和X3的模型变量值代入到征信评分模型中,即可获得征信评分值y。
上述预设条件可以根据实际需要进行设置,例如可以对偏离度进行从大到小排列,取偏离度最大的前N个模型变量值确定为目标模型变量值;也可以设置一个比较值,将偏离度大于该比较值的模型变量值确定为目标模型变量值。此外,还可以提供一些选项,供用户选择第一预设条件,其中不同的选项对应的不同的条件。与此同时,还可以根据当前进行征信评分所需要提供信用服务自动选择确定第一预设条件。
上述征信评分模型对目标用户的征信评分满足拒绝信用服务条件,反应为拒绝本次的信用服务。上述拒绝原因与目标模型变量值对应,可以预先根据模型变量参数编辑好每一模型变量值的拒绝原因,在确定目标模型变量值后,将会获取对应的拒绝原因,然后进行输出。该输出的结果可以为在显示屏幕上进行显示,或者通过预设的方式发送到目标用户的账户或终端上。
例如,目标模型变量值对应的模型变量参数包括:过去12个月是否有逾期记录、最近3个月申请的贷款数和额度使用率;对应输出的拒绝原因可以分别为:过去12个月有逾期记录、最近3个月申请的贷款数较多、额度使用率较高。用户可以根据输出的拒绝原因适当调整以后的生活状态,从而提高征信评分,以使得下次能够享受信用服务。此外,当用户申请信用贷款的信用服务时,根据上述征信评分结果可以拒绝给出信用服务;若用户申请信用借书的信用服务时,若无存在对恶意损坏公物的不良记录,则可以适当放宽要求,给与信用服务。
本实施例中,上述目标样本为所述征信评分模型的训练样本或当前评分的用户样本。具体的,上述当前评分的用户样本是指进行评分的所有用户群,训练样本为训练征信评分模型时所采用的样本,两者可以则一选择,也可以在使用的过程中进行互换。
例如,模型变量值为年龄值,则对应的基准值为样本所有的用户的年龄平均值。应理解,在另一实施例中,该基准值还可以是去除异常分布点的年龄平均值,例如,样本中大多数的用户的年龄区间均在20到40岁之间,仅小部分的几个用户的年龄区间为60岁到65岁之间,可以去除60岁到65岁之间的用户计算年龄平均值,从而得到基准值,以提高均值计算的准确度。此外,还可以对年龄分区间计算,然后给与每一区间一个权重值,最后计算平均值,得到基准值,以提高均值计算的准确度。
以10个模型变量参数为例,在具体实现过程中,可以首先计算每个模型变量值相对于对应的基准值的偏离度(deviation),如目标用户的每个模型变量值相对于对应的基准值的偏离度的计算如下:
dev1=a1(A1-X1_mean)
dev2=a2(A2-X2_mean)
······
dev10=a10(A10-X10_mean)
根据dev1—dev10的大小关系确定偏离度最大的前三位模型变量值即可,并将其设置为目标模型变量值。
由于本发明实施例中,当征信评分较高或者征信评分可以通过时,直接输出征信评分的评分值或者征信评分通过的结果,当征信评分较低或者征信评分不通过时,可以输出相应的拒绝原因,从而提高征信系统的智能化程度,同时提醒用户为何征信评分不通过,从而提高用户对征信系统的可靠性。
进一步的,还可以对整个征信评分模型中每个模型变量参数进行输出,以提醒用户需要注意在哪些模型变量参数上留意,以保证较好的征信评分,更好的享受信用服务。具体的,参照图4,上述方法还包括:
步骤106,对所述征信评分模型的每一模型变量参数进行标准化处理;
步骤107,根据标准化处理后的模型变量参数构建逻辑回归模型,得到每一模型变量参数对应的标准化变量系数;
步骤108,根据所述每一模型变量参数对应的标准化变量系数确定每一模型变量参数的贡献度;
步骤109,输出满足第二预设条件的模型变量参数。
本实施例中,以三个模型变量参数为例进行说明,征信评分模型可以为:
y=a0+a1X1+a2X2+a3X3
在上述征信评分模型中,a0为常数,X1、X2和X3为征信评分模型的模型变量参数,a1为模型变量参数X1的变量系数,a2为模型变量参数X2的变量系数,a3为模型变量参数X3的变量系数。其中,a1、a2和a3三个变量系数从一定程度反映了模型变量参数在征信评分模型中所占的权重,但是因为量纲(量纲是指模型变量参数的取值范围)不一样,无法直接通过变量系数确定贡献度(即权重)。因此,在本实施例中,首先可以对每个模型变量参数进行归一化处理,然后重新构建逻辑回归模型,从而得到每一模型变量参数对应的标准化变量系数。
本实施例中,对模型变量参数的标准化处理方式可以根据实际需要进行设置,例如可以将变量参数的取值范围进行归一化处理。具体的,标准化处理的方式在此不做进一步的限定。
进一步的,对于贡献度的计算方式可以根据实际需要进行设置,例如,在本实施例中,上述征信评分模型的第n个模型变量参数的贡献度ContributionXn采用以下公式计算得到:
其中,m为所述模型变量参数的数量,且m≥n,ABS为绝对值函数,STDESTXn为第n个模型变量值对应的标准化变量系数。
本实施例中,是将每个模型变量参数的贡献度转化成1进行比较,当然也可以直接比较标准化变量系数的大小,从而确定贡献度的排序。
应当说明的是,上述步骤106至步骤109与步骤101至步骤104之间的先后顺序无关,图4所示的先后顺序只是方便作图。
参照图5,本发明实施例还提供了一种征信评分模型评估装置,该征信评分模型评估装置包括:
获取模块501,用于获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;
第一计算模块502,用于计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;
第二计算模块503,用于计算每一差值与对应的模型变量参数的变量系数的乘积,得到所述模型变量参数的偏离度;
处理模块504,用于根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。
可选的,上述装置还包括:判断模块,用于当征信评分模型对目标用户的征信评分满足拒绝信用服务条件时,则执行所述获取目标用户在征信评分模型中的每一模型变量值的步骤;
上述处理模块504包括:
确定单元,用于确定偏离度满足第一预设条件的目标模型变量值;
输出单元,用于输出所述目标模型变量值对应的拒绝原因。·
可选的,所述模型变量值对应的基准值为:所述征信评分模型中与所述模型变量值对应的模型变量参数在目标样本上的均值。
可选的,所述目标样本为所述征信评分模型的训练样本或当前评分的用户样本。
可选的,所述征信评分模型评估装置还包括:
标准化模块,用于对所述征信评分模型的每一模型变量参数进行标准化处理;
模型构建模块,用于根据标准化处理后的模型变量参数构建逻辑回归模型,得到每一模型变量参数对应的标准化变量系数;
确定模块,用于根据所述标准化变量系数确定每一模型变量参数的贡献度;
输出模块,用于输出满足第二预设条件的模型变量参数。
可选的,所述征信评分模型的第n个模型变量参数的贡献度ContributionXn采用以下公式计算得到:
其中,m为所述模型变量参数的数量,且m≥n,ABS为绝对值函数,STDESTXn为第n个模型变量值对应的标准化变量系数。
这样,在本实施例中,获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;计算每一差值与对应的模型变量参数的变量系数的乘积,得到偏离度;根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。由于通过计算偏离度对目标用户在征信评分模型中的每一模型变量值进行评估,从而解决了对征信评分模型进行评估,获得影响用户评分的模型变量参数的问题。
参照图6,图6是本发明实施例提供的电子设备的结构图,如图6所示电子设备包括:至少一个处理器601、存储器602、至少一个网络接口604和用户接口603。电子设备中的各个组件通过总线系统605耦合在一起。可理解,总线系统605用于实现这些组件之间的连接通信。总线系统605除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图6中将各种总线都标为总线系统605。
其中,用户接口603可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(track ball)、触感板或者触摸屏等。
可以理解,本发明实施例中的存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSD RAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SD RAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本文描述的装置和方法的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器602存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统6021和应用程序6022。
其中,操作系统6021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序6022,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序6022中。
在本发明实施例中,通过调用存储器602存储的程序或指令,具体的,可以是应用程序6022中存储的程序或指令,处理器601用于:获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;计算每一差值与对应的模型变量参数的变量系数的乘积,得到偏离度;根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。
可选的,处理器601还用于,判断征信评分模型对目标用户的征信评分是否满足拒绝信用服务条件,若是,则执行所述获取目标用户在征信评分模型中的每一模型变量值的操作;所述根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估的包括:确定偏离度满足第一预设条件的目标模型变量值;输出所述目标模型变量值对应的拒绝原因。
可选的,所述模型变量值对应的基准值为:所述征信评分模型中与所述模型变量值对应的模型变量参数在目标样本上的均值。
可选的,所述目标样本为所述征信评分模型的训练样本或当前评分的用户样本。
可选的,处理器601还用于:对所述征信评分模型的每一模型变量参数进行标准化处理;根据标准化处理后的模型变量参数构建逻辑回归模型,得到每一模型变量参数对应的标准化变量系数;根据所述每一模型变量参数对应的标准化变量系数确定每一模型变量参数的贡献度;输出满足第二预设条件的模型变量参数。
可选的,所述征信评分模型的第n个模型变量参数的贡献度ContributionXn采用以下公式计算得到:
其中,m为所述模型变量参数的数量,且m≥n,ABS为绝对值函数,STDESTXn为第n个模型变量参数对应的标准化变量系数。
这样,在本实施例中,获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;计算每一差值与对应的模型变量参数的变量系数的乘积,得到偏离度;根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估。由于通过计算偏离度对目标用户在征信评分模型中的每一模型变量值进行评估,从而解决了对征信评分模型进行评估,获得影响用户评分的模型变量参数的问题。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一个方法实施例中的征信评分模型评估方法中的步骤。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种征信评分模型评估方法,其特征在于,包括:
获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;
计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;
计算每一差值与对应的模型变量参数的变量系数的乘积,得到所述模型变量参数的偏离度;
根据所述偏离度对所述目标用户在所述征信评分模型中的每一模型变量值进行评估。
2.根据权利要求1所述的方法,其特征在于,获取目标用户在征信评分模型中的每一模型变量值的步骤之前,所述方法还包括:
当征信评分模型对目标用户的征信评分满足拒绝信用服务条件时,则执行所述获取目标用户在征信评分模型中的每一模型变量值的步骤;
所述根据所述偏离度对所述目标用户在征信评分模型中的每一模型变量值进行评估的步骤包括:
确定所述偏离度满足第一预设条件的目标模型变量值;
输出所述目标模型变量值对应的拒绝原因。
3.根据权利要求1所述的方法,其特征在于,所述模型变量值对应的基准值为:所述征信评分模型中与所述模型变量值对应的模型变量参数在目标样本上的均值。
4.根据权利要求3所述的方法,其特征在于,所述目标样本为所述征信评分模型的训练样本或当前评分的用户样本。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
对所述征信评分模型的每一模型变量参数进行标准化处理;
根据标准化处理后的模型变量参数构建逻辑回归模型,得到每一模型变量参数对应的标准化变量系数;
根据所述标准化变量系数确定每一模型变量参数的贡献度;
输出满足第二预设条件的模型变量参数。
6.根据权利要求5所述的方法,其特征在于,所述征信评分模型的第n个模型变量参数的贡献度ContributionXn采用以下公式计算得到:
其中,m为所述模型变量参数的数量,且m≥n,ABS为绝对值函数,STDESTXn为第n个模型变量参数对应的标准化变量系数。
7.一种征信评分模型评估装置,其特征在于,包括:
获取模块,用于获取目标用户在征信评分模型中的每一模型变量值,所述模型变量值为所述目标用户在所述征信评分模型中预设的模型变量参数对应的变量值;
第一计算模块,用于计算获取的每一模型变量值与每一模型变量值对应的基准值之间的差值;
第二计算模块,用于计算每一差值与对应的模型变量参数的变量系数的乘积,得到所述模型变量参数的偏离度;
处理模块,用于根据所述偏离度对所述目标用户在所述征信评分模型中的每一模型变量值进行评估。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
判断模块,用于当征信评分模型对目标用户的征信评分满足拒绝信用服务条件时,则执行所述获取目标用户在征信评分模型中的每一模型变量值的步骤;
所述处理模块包括:
确定单元,用于确定所述偏离度满足第一预设条件的目标模型变量值;
输出单元,用于输出所述目标模型变量值对应的拒绝原因。
9.根据权利要求7所述的征信评分模型评估装置,其特征在于,所述模型变量值对应的基准值为:所述征信评分模型中与所述模型变量值对应的模型变量参数在目标样本上的均值。
10.根据权利要求9所述的征信评分模型评估装置,其特征在于,所述目标样本为所述征信评分模型的训练样本或当前评分的用户样本。
11.根据权利要求7至10中任一项所述的征信评分模型评估装置,其特征在于,所述征信评分模型评估装置还包括:
标准化模块,用于对所述征信评分模型的每一模型变量参数进行标准化处理;
模型构建模块,用于根据标准化处理后的模型变量参数构建逻辑回归模型,得到每一模型变量参数对应的标准化变量系数;
确定模块,用于根据所述标准化变量系数确定每一模型变量参数的贡献度;
输出模块,用于输出满足第二预设条件的模型变量参数。
12.根据权利要求11所述的征信评分模型评估装置,其特征在于,所述征信评分模型的第n个模型变量参数的贡献度ContributionXn采用以下公式计算得到:
其中,m为所述模型变量参数的数量,且m≥n,ABS为绝对值函数,STDESTXn为第n个模型变量值对应的标准化变量系数。
13.一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述程序被执行时实现权利要求1-6中任一项所述的征信评分模型评估方法中的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的征信评分模型评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710625107.9A CN109308660B (zh) | 2017-07-27 | 2017-07-27 | 一种征信评分模型评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710625107.9A CN109308660B (zh) | 2017-07-27 | 2017-07-27 | 一种征信评分模型评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308660A true CN109308660A (zh) | 2019-02-05 |
CN109308660B CN109308660B (zh) | 2023-03-10 |
Family
ID=65202289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710625107.9A Active CN109308660B (zh) | 2017-07-27 | 2017-07-27 | 一种征信评分模型评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308660B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369346A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市随手金服信息科技有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
CN112508460A (zh) * | 2021-01-04 | 2021-03-16 | 北京口袋财富信息科技有限公司 | 推送提醒信息的方法、装置、可读存储介质及计算设备 |
CN113570236A (zh) * | 2021-07-23 | 2021-10-29 | 中信银行股份有限公司 | 评分卡原因码技术运行方法、装置、终端设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036672A1 (en) * | 2008-08-08 | 2010-02-11 | Xiang Li | Adaptive Outlier Model For Fraud Detection |
CN105308640A (zh) * | 2013-01-31 | 2016-02-03 | 泽斯特财务公司 | 用于自动生成高质量不良行为通知的方法和系统 |
CN105354210A (zh) * | 2015-09-23 | 2016-02-24 | 深圳市爱贝信息技术有限公司 | 移动游戏支付账户行为数据处理方法和装置 |
CN106339940A (zh) * | 2016-08-26 | 2017-01-18 | 上海宗德金融信息服务有限公司 | 一种对财务采集值进行检验并计算信贷额度的方法 |
-
2017
- 2017-07-27 CN CN201710625107.9A patent/CN109308660B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036672A1 (en) * | 2008-08-08 | 2010-02-11 | Xiang Li | Adaptive Outlier Model For Fraud Detection |
CN105308640A (zh) * | 2013-01-31 | 2016-02-03 | 泽斯特财务公司 | 用于自动生成高质量不良行为通知的方法和系统 |
CN105354210A (zh) * | 2015-09-23 | 2016-02-24 | 深圳市爱贝信息技术有限公司 | 移动游戏支付账户行为数据处理方法和装置 |
CN106339940A (zh) * | 2016-08-26 | 2017-01-18 | 上海宗德金融信息服务有限公司 | 一种对财务采集值进行检验并计算信贷额度的方法 |
Non-Patent Citations (1)
Title |
---|
赵志冲、迟国泰: "基于似然比检验的工业小企业债信评级研究", 《中国管理科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369346A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市随手金服信息科技有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
CN111369346B (zh) * | 2020-03-17 | 2024-05-03 | 深圳市铭数信息有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
CN112508460A (zh) * | 2021-01-04 | 2021-03-16 | 北京口袋财富信息科技有限公司 | 推送提醒信息的方法、装置、可读存储介质及计算设备 |
CN113570236A (zh) * | 2021-07-23 | 2021-10-29 | 中信银行股份有限公司 | 评分卡原因码技术运行方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109308660B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428279A (zh) | 车险推荐方法、装置、设备及计算机可读存储介质 | |
CN110704519B (zh) | 业务单据转换方法、装置、存储介质及计算机设备 | |
CN107578339A (zh) | 一种保险分析处理的方法及设备 | |
TW202004636A (zh) | 保險服務優化方法、系統及電腦程式產品 | |
CN106875110A (zh) | 业务指标分层计算方法及装置、分布式计算方法及系统 | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN109308660A (zh) | 一种征信评分模型评估方法、装置、设备及存储介质 | |
CN107886300A (zh) | 看板卡片管理方法、装置、计算机设备和存储介质 | |
CN107895324A (zh) | 保险审核装置和方法 | |
CN109242307A (zh) | 一种反欺诈策略分析方法、服务器、电子设备及存储介质 | |
CN108537460A (zh) | 用户风险预测方法及系统 | |
CN107730207A (zh) | 一种项目申报系统及其实现方法 | |
CN110349013A (zh) | 风险控制方法及装置 | |
CN110532461A (zh) | 信息平台推送方法、装置、计算机设备及存储介质 | |
CN109559215A (zh) | 业务数据核算方法、装置、设备及计算机可读存储介质 | |
CN110245868A (zh) | 一种数据处理方法、装置和存储介质 | |
CN110069764A (zh) | 表单配置方法、装置、计算机设备和存储介质 | |
CN109522301A (zh) | 一种数据处理方法、电子设备及存储介质 | |
CN110706087B (zh) | 凭证数据处理方法、装置、计算机设备和存储介质 | |
CN106600424A (zh) | 数据核实的提示方法及装置 | |
CN110084476A (zh) | 案件调整方法、装置、计算机设备和存储介质 | |
CN109636305A (zh) | 赔付金额的调整方法、装置、设备及可读存储介质 | |
WO2019119734A1 (zh) | 电子装置、保单跟单费用统计方法及存储介质 | |
CN110458620A (zh) | 停车票优惠券发放方法、装置、计算机设备以及存储介质 | |
CN109785151A (zh) | 一种医保政策的仿真方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |