CN110619024A - 一种信用评价方法、系统及相关装置 - Google Patents
一种信用评价方法、系统及相关装置 Download PDFInfo
- Publication number
- CN110619024A CN110619024A CN201910894866.4A CN201910894866A CN110619024A CN 110619024 A CN110619024 A CN 110619024A CN 201910894866 A CN201910894866 A CN 201910894866A CN 110619024 A CN110619024 A CN 110619024A
- Authority
- CN
- China
- Prior art keywords
- credit
- data
- training
- training set
- function
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种信用评价方法,具体技术方案如下:获取训练数据和目标客户数据,并根据所述训练数据生成训练集;对所述训练集中的所述训练数据执行归一化处理;将所述训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;根据所述数据样本矩阵得到信用判别函数;根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。本申请有利于降低训练集中不具有代表性的数据样本对训练结果的影响,即减小误差样本对结果的影响,提高信用评级的准确率和效率。本申请还提供一种信用评价方系统、一种计算机可读存储介质和一种可信度判定终端,具有上述有益效果。
Description
技术领域
本申请涉及个人征信领域,特别涉及一种信用评价方法、系统及相关装置。
背景技术
一个安全的信用环境,可以维持和发展信用关系,保护社会经济秩序。在现实生活中,信用评级所需的样本大多由专家统计得来,并手动计算出标签值,这往往需要耗费大量的人力物力,且易发生分类错误。且现如今数据量爆炸式增长,数据量的增加和统计难度的增大,加上其他一些不良因素的影响,数据的分类准确率急需得到保障。而一个可靠的信用评级系统则可为个人信贷、信用卡、保险理赔等金融业务提供保障。
由于信用评级可以被视作是两分类问题,对于两分类问题,TSVM(Twin supportvector machine,孪生支持向量机)通过寻求两个不平行的平面,使得两类样本尽可能靠近其中一个平面而远离另一个平面。但是该算法构造的非线性模型不一定具有稀疏性,也就是说该模型会关注用户信用的相关样本中不重要的样本,从而会导致分类器的泛化性能降低。也就是说会降低了对信用评级的准确性。因此,如何提高对信用评级的准确性,是本领域的技术人员需要解决的问题。
发明内容
本申请的目的是提供一种信用评价方法、系统、一种计算机可读存储介质和一种可信度判定终端,能够提高信用评级的准确性。
为解决上述技术问题,本申请提供一种信用评价方法,具体技术方案如下:
获取训练数据和目标客户数据,并根据所述训练数据生成训练集;
对所述训练集中的所述训练数据执行归一化处理;
将所述训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;
根据所述数据样本矩阵得到信用判别函数;其中,所述信用判别函数的参数为预先通过基于非线性稀疏孪生支持向量机分类算法对所述训练集分析得到;
根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。
其中,所述信用判别函数的参数包括函数权重向量和偏差;
则根据所述数据样本矩阵得到信用判别函数之前,还包括:
根据辅助变量、松弛变量和全1向量确定所述函数权重向量和所述偏差。
其中,将所述训练集中的各训练数据映射到核特征空间包括:
利用高斯核函数将所述训练集中的各训练数据映射到核特征空间。
其中,所述训练数据为German样本集。
本申请还提供一种信用评价系统,包括:
数据获取模块,用于获取训练数据和目标客户数据,并根据所述训练数据生成训练集;
归一化处理模块,用于对所述训练集中的所述训练数据执行归一化处理;
数据映射模块,用于将所述训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;
函数计算模块,用于根据所述数据样本矩阵得到信用判别函数;其中,所述信用判别函数的参数为预先通过基于非线性稀疏孪生支持向量机分类算法对所述训练集分析得到;
可信度计算模块,用于根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。
其中,还包括:
参数确定模块,用于根据辅助变量、松弛变量和全1向量确定函数权重向量和偏差;所述信用判别函数的参数包括所述函数权重向量和所述偏差。
其中,所述数据映射模块包括:
映射单元,用于利用高斯核函数将所述训练集中的各训练数据映射到核特征空间。
本申请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如上所述的信用评价方法的步骤。
本申请还提供一种可信度判定终端,包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如上所述的信用评价方法的步骤。
本申请提供一种信用评价方法,具体技术方案如下:获取训练数据和目标客户数据,并根据所述训练数据生成训练集;对所述训练集中的所述训练数据执行归一化处理;将所述训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;根据所述数据样本矩阵得到信用判别函数;根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。
本申请先根据训练数据得到数据样本矩阵,进而得到信用判别函数,最终将目标客户数据输入至信用判别函数得到该目标客户的信用可信度。有利于降低训练集中不具有代表性的数据样本对训练结果的影响,即减小误差样本对结果的影响,提高信用评级的准确率和效率。本申请还提供一种信用评价方系统、一种计算机可读存储介质和一种可信度判定终端,具有上述有益效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种信用评价方法的流程图;
图2为本申请实施例所提供的一种信用评价系统结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种信用评价方法的流程图,该信用评价方法包括;
S101:获取训练数据和目标客户数据,并根据训练数据生成训练集;
训练数据实际上指的是用来生成模型的数据,针对客户类型需求而定。例如银行系统需要确定个人信用,则训练数据可以为银行已经拥有的一定数量的银行客户。容易理解的是,训练数据包含一定数量的特征,例如用户的银行账户的状态、银行账户的开户时间、信用历史记录、借贷的目的、信用卡总数、储蓄余额、就业时间、分期付款率占可支配收入的百分比、婚姻状态和性别、其他债务人或保证人、现在住宅的使用时间、私有财产、年龄、房屋的使用情况、工作情况、承担赡养责任的人数、电话情况、是否是外国工作者等等,该特征通常一定程度上能反映该用户的个人经济实力及信用等级。
在此对于训练数据的样本量不作限定,应由本领域技术人员根据该信用评价应用范围作相应设定。可以理解的是,应用范围越广泛,样本量越多则最终得到的信用可信度越高。
根据训练数据生成训练集指的是根据样本的信用进行分类。以1000个样本为例,假设信用较好和较差的样本个数分别是300和700,这里记信用较好的标签为+1,信用较差的标签为-1。
S102:对训练集中的训练数据执行归一化处理;
归一化处理的目的是归纳统一训练集中数据的统计分布性,因此本申请实施例主要归一化在[-1,1]之间。
S103:将训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;
本步骤可以利用高斯核函数将训练集中的各训练数据映射到核特征空间,同时得到相应的高斯核。
S104:根据所述数据样本矩阵得到信用判别函数;
本步骤旨在得到信用判别函数。优选的,信用判别函数的参数为预先通过基于非线性稀疏孪生支持向量机分类算法对所述训练集分析得到,信用判别函数的参数可以包括函数权重向量和偏差;
则在本步骤之前,还可以包括:
根据辅助变量、松弛变量和全1向量确定函数权重向量和偏差。
函数权重向量中每一个元素对应训练集中一个训练样本,该元素值越低,说明该元素对应的样本的贡献越低。
S105:根据信用判别函数和目标客户数据确定目标客户的信用可信度。
在得到信用判别函数后,即可输入目标客户数据,得到目标客户的信用可信度。需要注意的是,由于得到的模型即信用判别函数包含了归一化处理和映射两个过程,因此也需要对目标客户数据按照S102和S103中的类似过程进行处理输入至信用判别函数。
本申请实施例先根据训练数据得到数据样本矩阵,进而得到信用判别函数,最终将目标客户数据输入至信用判别函数得到该目标客户的信用可信度。有利于降低训练集中不具有代表性的数据样本对训练结果的影响,即减小误差样本对结果的影响,提高信用评级的准确率和效率。
在上一实施例的基础上,为了更加清楚的展示本申请的实施过程,下文采用具体的样本,并采用相关表达式加以说明,具体内容如下:
本申请实施例对来自UCI的German数据集上进行了测试,该数据集根据银行信用良好或信用较差,对人员进行分类。一共包含1000个样本,每个样本包含24个特征。特征具体包括银行账户的状态、银行账户的开户时间、信用历史记录、借贷的目的、信用卡总数、储蓄余额、就业时间、分期付款率占可支配收入的百分比、婚姻状态和性别、其他债务人或保证人、现在住宅的使用时间、私有财产、年龄、房屋的使用情况、工作情况、承担赡养责任的人数、电话情况、是否是外国工作者等。这些特征在一定程度上可以反映目标用户的信用等级。对于本数据集的1000个样本,不可避免会存在一些数据冗余或者存在不具有代表性的客户数据样本,上述问题在本申请中得到了良好的解决。
在German数据集中,信用较好和较差的样本个数分别是300和700,这里记信用较好的标签为+1,信用较差的标签为-1。
具体实施步骤如下:
一、先进行数据采集,并作预处理;对应上一实施例中的S101至S103;
(1)统计收集银行客户的相关资料,作为训练集。输入训练集D=X1∪X2,其中X1={x1i|x1i∈Rm,y1i=1,i=1,...,n1}是信用良好的客户数据集合,n1为集合中客户的个数;X2={x2i|x2i∈Rm,y2i=-1,i=1,...,n2}是信用差的客户数据集合,n2为该集合中客户的个数;每个样本的特征数为m,n=n1+n2为训练集样本总数。本实例采用German样本集,特征数m=24。随机取样本集中800个样本作为训练集,即n=800,且n1=240,n2=560;剩余200个样本作为测试集。
(2)把所有的数据按照特征进行归一化处理,让特征值在[-1,1]区间中。
(3)利用高斯核函数将训练集D中的每个样本都映射到核特征空间。X1集合映射后数据表示为
X2集合映射后数据表示为
其中高斯核为:
定义X1和X2集合映射后的数据样本矩阵分别为和
由此可见,本过程的目的是确定如下两个判别函数:
f1(x)=w1 Tφ(x)+b1
f2(x)=w2 Tφ(x)+b2
其中w1和w2为函数的权重向量,b1和b2为函数的偏差。为获得函数权重向量和偏差,分别求解如下的两个优化问题:
s.t.-(K2w1+e2b1)+ξ2≥e2,ξ2≥0
s.t.(K1w2+e1b2)+ξ1≥e1,ξ1≥0
其中C1,C2,C3,C4是需要事先确定的辅助变量,和表示松弛变量,和是全1的向量。
求解上述两个优化问题后,得到w1,w2,b1和b2,从而可以确定两个判别函数。w1和w2中每一个元素对应一个训练样本。w1和w2中元素数值越小,说明该元素对应的样本对模型训练的贡献越小。将本例中w1和w2中值在[-e-8,e-8]区间中的元素置为0。
输入目标客户数据x,对目标客户数据x进行归一化,并按照步骤(3)对数据进行映射;
然后带入判别函数,分别计算
f1(x)=w1 Tφ(x)+b1
f2(x)=w2 Tφ(x)+b2
最后按照下述规则对客户的信用情况进行判断:
若为1,则该客户信用良好;否则信用差。
以下为本申请与现有技术中的实验结果:
对TSVM、本申请进行了对比。实验结果如表1所示。本申请采用更少的样本点来组成模型,可在一定程度上消除对噪音样本的敏感度,进而提高信用评级的准确度。另一方面,由于本申请得到的w1,w2具有良好的稀疏性,减小了冗余数据或不具有代表性的客户数据对训练系统的负担,提高了信用评价过程的性能。
表1 German数据集测试结果准确率的对比表
方法 | 精度 |
本发明 | 79.00% |
TSVM | 67.10% |
下面对本申请实施例提供的一种信用评价系统进行介绍,下文描述的信用评价系统与上文描述的信用评价方法可相互对应参照。
参见图2,图2为本申请实施例所提供的一种信用评价系统结构示意图,该信用评价系统包括:
数据获取模块100,用于获取训练数据和目标客户数据,并根据所述训练数据生成训练集;
归一化处理模块200,用于对所述训练集中的所述训练数据执行归一化处理;
数据映射模块300,用于将所述训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;
函数计算模块400,用于根据所述数据样本矩阵得到信用判别函数;其中,所述信用判别函数的参数为预先通过基于非线性稀疏孪生支持向量机分类算法对所述训练集分析得到;
可信度计算模块500,用于根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。
基于上述实施例,作为优选的实施例,还包括:
参数确定模块,用于根据辅助变量、松弛变量和全1向量确定函数权重向量和偏差;所述信用判别函数的参数包括所述函数权重向量和所述偏差。
基于上述实施例,作为优选的实施例,所述数据映射模块300包括:
映射单元,用于利用高斯核函数将所述训练集中的各训练数据映射到核特征空间。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种可信度判定终端,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然所述可信度判定终端还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种信用评价方法,其特征在于,包括:
获取训练数据和目标客户数据,并根据所述训练数据生成训练集;
对所述训练集中的所述训练数据执行归一化处理;
将所述训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;
根据所述数据样本矩阵得到信用判别函数;其中,所述信用判别函数的参数为预先通过基于非线性稀疏孪生支持向量机分类算法对所述训练集分析得到;
根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。
2.根据权利要求1所述的信用评价方法,其特征在于,所述信用判别函数的参数包括函数权重向量和偏差;
则根据所述数据样本矩阵得到信用判别函数之前,还包括:
根据辅助变量、松弛变量和全1向量确定所述函数权重向量和所述偏差。
3.根据权利要求1所述的信用评价方法,其特征在于,将所述训练集中的各训练数据映射到核特征空间包括:
利用高斯核函数将所述训练集中的各训练数据映射到核特征空间。
4.根据权利要求1所述的信用评价方法,其特征在于,所述训练数据为German样本集。
5.一种信用评价系统,其特征在于,包括:
数据获取模块,用于获取训练数据和目标客户数据,并根据所述训练数据生成训练集;
归一化处理模块,用于对所述训练集中的所述训练数据执行归一化处理;
数据映射模块,用于将所述训练集中的各训练数据映射到核特征空间,得到数据样本矩阵;
函数计算模块,用于根据所述数据样本矩阵得到信用判别函数;其中,所述信用判别函数的参数为预先通过基于非线性稀疏孪生支持向量机分类算法对所述训练集分析得到;
可信度计算模块,用于根据所述信用判别函数和所述目标客户数据确定目标客户的信用可信度。
6.根据权利要求5所述的信用评价系统,其特征在于,还包括:
参数确定模块,用于根据辅助变量、松弛变量和全1向量确定函数权重向量和偏差;所述信用判别函数的参数包括所述函数权重向量和所述偏差。
7.根据权利要求5所述的信用评价系统,其特征在于,所述数据映射模块包括:
映射单元,用于利用高斯核函数将所述训练集中的各训练数据映射到核特征空间。
8.一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如权利要求1-4任一项所述的信用评价方法的步骤。
9.一种可信度判定终端,其特征在于,包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1-4任一项所述的信用评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894866.4A CN110619024A (zh) | 2019-09-20 | 2019-09-20 | 一种信用评价方法、系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894866.4A CN110619024A (zh) | 2019-09-20 | 2019-09-20 | 一种信用评价方法、系统及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619024A true CN110619024A (zh) | 2019-12-27 |
Family
ID=68923843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910894866.4A Pending CN110619024A (zh) | 2019-09-20 | 2019-09-20 | 一种信用评价方法、系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619024A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950609A (zh) * | 2020-07-29 | 2020-11-17 | 苏州大学 | 基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法 |
CN113645107A (zh) * | 2021-07-27 | 2021-11-12 | 广州市威士丹利智能科技有限公司 | 一种基于智能家居的网关端冲突解决方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317517B1 (en) * | 1998-11-30 | 2001-11-13 | Regents Of The University Of California | Statistical pattern recognition |
CN101980251A (zh) * | 2010-11-23 | 2011-02-23 | 中国矿业大学 | 二叉树多类支持向量机遥感分类方法 |
CN104463673A (zh) * | 2014-12-22 | 2015-03-25 | 中国科学技术大学苏州研究院 | 一种基于支持向量机的p2p网络贷款风险评估模型 |
CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
CN109636588A (zh) * | 2018-12-17 | 2019-04-16 | 苏州大学 | 一种信用评价方法、装置、设备及可读存储介质 |
-
2019
- 2019-09-20 CN CN201910894866.4A patent/CN110619024A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317517B1 (en) * | 1998-11-30 | 2001-11-13 | Regents Of The University Of California | Statistical pattern recognition |
CN101980251A (zh) * | 2010-11-23 | 2011-02-23 | 中国矿业大学 | 二叉树多类支持向量机遥感分类方法 |
CN104463673A (zh) * | 2014-12-22 | 2015-03-25 | 中国科学技术大学苏州研究院 | 一种基于支持向量机的p2p网络贷款风险评估模型 |
CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
CN109636588A (zh) * | 2018-12-17 | 2019-04-16 | 苏州大学 | 一种信用评价方法、装置、设备及可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950609A (zh) * | 2020-07-29 | 2020-11-17 | 苏州大学 | 基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法 |
CN113645107A (zh) * | 2021-07-27 | 2021-11-12 | 广州市威士丹利智能科技有限公司 | 一种基于智能家居的网关端冲突解决方法及系统 |
CN113645107B (zh) * | 2021-07-27 | 2022-12-02 | 广州市威士丹利智能科技有限公司 | 一种基于智能家居的网关端冲突解决方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Machine learning and sampling scheme: An empirical study of money laundering detection | |
Arora et al. | A Bolasso based consistent feature selection enabled random forest classification algorithm: An application to credit risk assessment | |
US10572885B1 (en) | Training method, apparatus for loan fraud detection model and computer device | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
US20220343433A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
RU2723448C1 (ru) | Способ расчета кредитного рейтинга клиента | |
CN111861487A (zh) | 金融交易数据处理方法、欺诈行为的监测方法和装置 | |
CN110619024A (zh) | 一种信用评价方法、系统及相关装置 | |
CN113379124A (zh) | 基于预测模型的人员稳定性预测方法及装置 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN115496205A (zh) | 检测模型训练、数据检测方法、装置、设备及存储介质 | |
CN115994684A (zh) | 一种企业风险的评估方法、装置、计算机设备及介质 | |
Kikuchi et al. | Price stability of cryptocurrencies as a medium of exchange | |
Bahramian et al. | The link between financial stress index and economic activity: prominent Granger causalities across frequencies in Luxembourg | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Yang et al. | An evidential reasoning rule-based ensemble learning approach for evaluating credit risks with customer heterogeneity | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN114036923A (zh) | 一种基于文本相似度的资料虚假识别系统及方法 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
Hoechstoetter et al. | Recovery rate modelling of non-performing consumer credit using data mining algorithms | |
Melnyk et al. | Improving the quality of credit activity by using scoring model | |
Ashofteh | Big data for credit risk analysis: Efficient machine learning models using pyspark | |
CN113052693B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
Kubenka et al. | Implementation of standards into predictors of financial stability |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |
|
RJ01 | Rejection of invention patent application after publication |