CN111311401A - 一种基于LightGBM的金融违约概率预测模型 - Google Patents
一种基于LightGBM的金融违约概率预测模型 Download PDFInfo
- Publication number
- CN111311401A CN111311401A CN202010237217.XA CN202010237217A CN111311401A CN 111311401 A CN111311401 A CN 111311401A CN 202010237217 A CN202010237217 A CN 202010237217A CN 111311401 A CN111311401 A CN 111311401A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- lightgbm
- prediction model
- default probability
- 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.)
- Withdrawn
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于LightGBM的金融违约概率预测模型,其建模包括样本数据获取、数据预处理、特征工程、划分数据集、模型训练以及调参、模型部署及监控,实现了对借款人自动、全面、流程化的信用风险评估预测,从而降低了信贷逾期欺诈风险,促进互联网金融风控能力提升和健康发展;本发明技术方案的预测模型的核心在于,利用基于histogram算法和level‑wise分裂策略的LightGBM模型,可优化快速处理异常值多、缺失值高、维度广的互联网金融海量数据,具有处理大数据的能力,由于算法的优异性,模型的可靠性、灵活性和可扩展性均得到提高,更加适合当前大数据风控的需求。
Description
技术领域
本发明涉及互联网金融风控技术领域,特别涉及一种基于LightGBM的金融违约概率预测模型。
背景技术
近年来,以P2P借贷、消费金融等为代表互联网金融发展迅猛,大部分互联网金融公司基于逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、梯度提升决策树(GBDT)、极端梯度提升树(XGBoost)等算法进行风控建模,一般风控模型主要采用WOE转换,再用逻辑回归模型进行拟合,构造信用评分卡,这种方式在互联网金融上较传统金融行业,效果有所下降。随着大数据发展,互联网金融风控与机器学习相辅相成,利用更加先进高效的机器学习方法,在传统风控模型的基础上进行改进,非常有意义。
在大数据时代,仅依据借款人申请信息及征信数据来预测违约概率是远远不够的,我们采用更多的第三方数据,基于多维度数据包括运营商数据、电商网购、APP使用行为数据等梳理用户人群画像,利用机器学习算法评估预测借款人欺诈逾期风险概率。
大数据名副其实,数据维度呈现爆炸性增长,维度多且稀疏度高,在风控建模当中,结构化数据清洗加工繁重、数据变换存在矩阵稀疏且损失信息过多、特征提取困难、上千上万维度超出传统评分卡模型所能处理的范围,对于机器学习算法的要求也越来越高,LR、SVM、RF、GBDT、XGBoost、LightGBM等算法应运而生,XGBoost是当前比较主流的算法,XGBoost在传统Boosting的基础上,融合RF与GBDT优点,利用CPU的多线程并行化、引入正则化项、支持列抽样和可并行的近似直方图算法等,但实际应用当中,但也呈现出计算量巨大、训练速度慢、占用内存高、易产生过拟合等缺点,这催生出LightGBM这种更先进的算法。与XGBoost相比,LightGBM的优点在于:
(1)XGBoost采用预排序算法,在迭代之前,对结点的特征做预排序,遍历所有样本的特征值选择最优分割点,计算量大且占用内存高,而LightGBM方法采用直方图的算法(histogram算法),将连续的特征值分桶(buckets)装进离散的箱子(bins),数据分割的复杂度更低,从而达到计算量少、占用内存更小、训练速度更快、效率更高的目的;
(2)XGBoost采用level-wise分裂策略,对每一层所有节点做无差别分裂生成决策树,在分裂增益较低叶子节点产生了不必要的开销,而LightGBM采用leaf-wise分裂策略,每次从当前叶子中选择增益最大的结点进行分裂,循环迭代,同Level-wise相比,在分裂次数相同的情况下,Leaf-wise可以降低更多的误差,得到更高的精度。
总之,基于histogram算法和level-wise分裂策略的LightGBM模型,比现有的梯度增强树实现要快几倍,另外LightGBM还支持非格式化类型特征输入、在划分数据集时自动支持验证集且支持并行学习,相比于XGBoost,LightGBM可以快速处理海量数据,从而具有处理大数据的能力,因而将性能更加优良的LightGBM模型应用于互联网金融客户信用风险评估预测,可以大大地促进互联网金融的长足发展,开发一种适用于互联网金融客户信用风险评估预测的LightGBM模型势在必行。
发明内容
为了解决上述技术问题,本发明中披露了一种基于LightGBM的金融违约概率预测模型,本发明的技术方案是这样实施的:
一种基于LightGBM的金融违约概率预测模型,其建模包括以下步骤:步骤一:样本数据获取,选取建模分析所需的客户样本,获取客户申请信息、征信数据以及客户授权获取的第三方数据,将所述申请信息、征信数据和第三方数据和第三方数据进行分析并转换后整合在一张宽表中;步骤二:数据预处理,将步骤一获取的数据进行预处理,包括异常值处理和缺失值处理;步骤三:特征工程,将预处理后的数据划分为连续型数据和离散型数据,分别对连续型数据和离散型数据进行特征数据提取,并分析找出重要特征,构造出于借贷相关性强的组合特征;步骤四:划分数据集,将经过特征工程处理后的数据划分为训练集和测试集;步骤五:模型训练以及调参,使用LightGBM算法,在训练集上进行训练;并反复对模型的可调参数进行调整,直至得到性能最优的模型;步骤六:模型评估,通过模型评价指标以及与其他算法模型对比,综合评估模型的区分能力、预测能力和稳定性;步骤七:模型部署及监控,将模型部署到系统平台上,监控模型的评估指标,并根据监控的评估指标及时更新调整模型。
进一步地,所述异常值处理包括,对数据进行统计性分析后,根据数据的分布并结合数据本身的业务逻辑,剔除异常值或者将异常值作缺失值处理。
进一步地,所述缺失值处理采用单值插入法或者随机森林算法构造决策树对缺失值预测插补的方法。
进一步地,所述步骤三中,所述离散型数据在进行特征数据提取之前先进行独热编码。
进一步地,所述客户授权获取的第三方数据包括网上购物、运营商数据、APP使用行为数据。
本发明技术方案的预测模型的核心在于,利用基于histogram算法和level-wise分裂策略的LightGBM模型,可优化快速处理异常值多、缺失值高、维度广的互联网金融海量数据,具有处理大数据的能力,由于算法的优异性,模型的可靠性、灵活性和可扩展性均得到提高,更加适合当前大数据风控的需求。
附图说明
为了更清楚地说明本发明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发明的一种实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明流程图。
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,所描述的实施例仅仅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。
一种基于LightGBM的金融违约概率预测模型,结合图1所示,其建模包括以下步骤:步骤一:样本数据获取,选取建模分析所需的客户样本,获取客户申请信息、征信数据以及客户授权获取的第三方数据,将所述申请信息、征信数据和第三方数据和第三方数据进行分析并转换后整合在一张宽表中;步骤二:数据预处理,将步骤一获取的数据进行预处理,包括异常值处理和缺失值处理;步骤三:特征工程,将预处理后的数据划分为连续型数据和离散型数据,分别对连续型数据和离散型数据进行特征数据提取,并分析找出重要特征,构造出于借贷相关性强的组合特征;步骤四:划分数据集,将经过特征工程处理后的数据划分为训练集和测试集;步骤五:模型训练以及调参,使用LightGBM算法,在训练集上进行训练;并反复对模型的可调参数进行调整,直至得到性能最优的模型;步骤六:模型评估,通过模型评价指标以及与其他算法模型对比,综合评估模型的区分能力、预测能力和稳定性;步骤七:模型部署及监控,将模型部署到系统平台上,监控模型的评估指标,并根据监控的评估指标及时更新调整模型。
实施该实施方式,所述步骤五中的可调参数包括:max_depth:指树的最大深度,leaf-wise分裂策略会生长出比较深的决策树而产生过拟合,增加了max_depth的限制,在保证高效率的同时防止过拟合,当模型过拟合时,首先考虑降低max_depth;min_data_in_leaf:指叶子可能具有的最小记录数,把该参数设置的特别小可能会导致过拟合,在本实施方式中将其设置为几百到几千万之间防止过拟合;feature_fraction:是指设置每一次迭代所使用的特征子集,即在每次迭代中随机选择多少样本来建树,当boosting为随机森林时使用;bagging_fraction:是指每次迭代时用的数据比例,用来执行更快的结果装袋来加快训练速度和减小过拟合;early_stopping_round:是指早停止,在某一验证数据的某一验证指标当前最后一轮迭代没有提升时停止迭代,可以加速分析,减少过多迭代;min_gain_to_split: 是指描述分裂的最小增益,可以控制树的有用的分裂;max_cat_group:是指在group 边界上找到分割点,当类别数量很多时,找分割点很容易过拟合;num_leaves:是指每棵树的叶子的数量,num_leaves值越大,树的深度更高、准确率也随之提升,但值过大容易过拟合;max_bin : 是指最大直方图数目,表示 feature 将存入的 bin 的最大数,理论上max_bin值越小越能够节省时间。
实施该实施方式,利用基于histogram算法和level-wise分裂策略的LightGBM模型,可优化快速处理异常值多、缺失值高、维度广的互联网金融海量数据,具有处理大数据的能力,由于算法的优异性,模型的可靠性、灵活性和可扩展性均得到提高,更加适合当前大数据风控的需求。另外本实施例能够实现了对借款人自动、全面、流程化的信用风险评估预测,来降低信贷逾期欺诈风险,促进互联网金融风控能力提升和健康发展。
在一种优选的实施方式中,所述异常值处理包括,对数据进行统计性分析后,根据数据的分布并结合数据本身的业务逻辑,剔除异常值或者将异常值作缺失值处理。
在一种优选的实施方式,前述的步骤二中,缺失值处理时,当为数据为高维数据时,采用随机森林算法构造决策树对缺失值预测插补的方法;否则,采用单值插入法。
在一种优选的实施方式中,前述的步骤三中,所述离散型数据在进行特征数据提取之前先进行独热编码。
在一种优选的实施方式中,所述客户授权获取的第三方数据包括网上购物、运营商数据、APP使用行为数据。
需要指出的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于LightGBM的金融违约概率预测模型,其特征在于,其建模包括以下步骤:
步骤一:样本数据获取,选取建模分析所需的客户样本,获取客户申请信息、征信数据以及客户授权获取的第三方数据,将所述个申请信息、征信数据和第三方数据进行分析并转换后整合在一张宽表中;
步骤二:数据预处理,将步骤一获取的数据进行预处理,包括异常值处理和缺失值处理;
步骤三:特征工程,将预处理后的数据划分为连续型数据和离散型数据,分别对连续型数据和离散型数据进行特征数据提取,并分析找出重要特征,构造出于借贷相关性强的组合特征;
步骤四:划分数据集,将经过特征工程处理后的数据划分为训练集和测试集;
步骤五:模型训练以及调参,使用LightGBM算法,在训练集上进行训练;并反复对模型的可调参数进行调整,直至得到性能最优的模型;
步骤六:模型评估,通过模型评价指标以及与其他算法模型对比,综合评估模型的区分能力、预测能力和稳定性;
步骤七:模型部署及监控,将模型部署到系统平台上,监控模型的评估指标,并根据监控的评估指标及时更新调整模型。
2.根据权利要求1所述的一种基于LightGBM的金融违约概率预测模型,其特征在于,所述异常值处理包括,对数据进行统计性分析后,根据数据的分布并结合数据本身的业务逻辑,剔除异常值或者将异常值作缺失值处理。
3.根据权利要求1所述的一种基于LightGBM的金融违约概率预测模型,其特征在于,所述缺失值处理采用单值插入法或者随机森林算法构造决策树对缺失值预测插补的方法。
4.根据权利要求1所述的一种基于LightGBM的金融违约概率预测模型,其特征在于,所述步骤三中,所述离散型数据在进行特征数据提取之前先进行独热编码。
5.根据权利要求1所述的一种基于LightGBM的金融违约概率预测模型,其特征在于,所述客户授权获取的第三方数据包括网上购物、运营商数据、APP使用行为数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237217.XA CN111311401A (zh) | 2020-03-30 | 2020-03-30 | 一种基于LightGBM的金融违约概率预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237217.XA CN111311401A (zh) | 2020-03-30 | 2020-03-30 | 一种基于LightGBM的金融违约概率预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311401A true CN111311401A (zh) | 2020-06-19 |
Family
ID=71150286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237217.XA Withdrawn CN111311401A (zh) | 2020-03-30 | 2020-03-30 | 一种基于LightGBM的金融违约概率预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311401A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116454A (zh) * | 2020-09-28 | 2020-12-22 | 中国建设银行股份有限公司 | 信用评估方法及装置 |
CN112131479A (zh) * | 2020-09-30 | 2020-12-25 | 深圳前海微众银行股份有限公司 | 数据的处理方法、装置、设备和存储介质 |
CN112150276A (zh) * | 2020-09-30 | 2020-12-29 | 中国银行股份有限公司 | 一种机器学习模型的训练方法、使用方法、装置和设备 |
CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
CN112308288A (zh) * | 2020-09-29 | 2021-02-02 | 百维金科(上海)信息科技有限公司 | 一种基于粒子群优化lssvm的违约用户概率预测方法 |
CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、装置和电子设备 |
CN112364901A (zh) * | 2020-10-30 | 2021-02-12 | 上海欣方智能系统有限公司 | 一种基于lgb算法的诈骗电话识别方法 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
CN112862585A (zh) * | 2020-12-02 | 2021-05-28 | 浙江惠瀜网络科技有限公司 | 基于LightGBM决策树算法的个贷类不良资产风险评级方法 |
CN113095365A (zh) * | 2021-03-15 | 2021-07-09 | 北京大学 | 医疗保险违规数据识别方法及装置 |
CN113240509A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多源数据联邦学习的贷款风险评估方法 |
CN113781056A (zh) * | 2021-09-17 | 2021-12-10 | 中国银行股份有限公司 | 预测用户欺诈行为的方法及装置 |
CN114092216A (zh) * | 2021-09-22 | 2022-02-25 | 金蝶征信有限公司 | 企业信贷评级方法、装置、计算机设备和存储介质 |
KR102510463B1 (ko) * | 2021-11-09 | 2023-03-16 | 주식회사 하이퍼리서치 | 상권 분석 정보 제공 방법 및 이를 기록한 기록매체 |
-
2020
- 2020-03-30 CN CN202010237217.XA patent/CN111311401A/zh not_active Withdrawn
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116454A (zh) * | 2020-09-28 | 2020-12-22 | 中国建设银行股份有限公司 | 信用评估方法及装置 |
CN112308288A (zh) * | 2020-09-29 | 2021-02-02 | 百维金科(上海)信息科技有限公司 | 一种基于粒子群优化lssvm的违约用户概率预测方法 |
CN112131479A (zh) * | 2020-09-30 | 2020-12-25 | 深圳前海微众银行股份有限公司 | 数据的处理方法、装置、设备和存储介质 |
CN112150276A (zh) * | 2020-09-30 | 2020-12-29 | 中国银行股份有限公司 | 一种机器学习模型的训练方法、使用方法、装置和设备 |
CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、装置和电子设备 |
CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
CN112364901A (zh) * | 2020-10-30 | 2021-02-12 | 上海欣方智能系统有限公司 | 一种基于lgb算法的诈骗电话识别方法 |
CN112862585A (zh) * | 2020-12-02 | 2021-05-28 | 浙江惠瀜网络科技有限公司 | 基于LightGBM决策树算法的个贷类不良资产风险评级方法 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
CN113095365A (zh) * | 2021-03-15 | 2021-07-09 | 北京大学 | 医疗保险违规数据识别方法及装置 |
CN113240509A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多源数据联邦学习的贷款风险评估方法 |
CN113240509B (zh) * | 2021-05-18 | 2022-04-22 | 重庆邮电大学 | 一种基于多源数据联邦学习的贷款风险评估方法 |
CN113781056A (zh) * | 2021-09-17 | 2021-12-10 | 中国银行股份有限公司 | 预测用户欺诈行为的方法及装置 |
CN114092216A (zh) * | 2021-09-22 | 2022-02-25 | 金蝶征信有限公司 | 企业信贷评级方法、装置、计算机设备和存储介质 |
KR102510463B1 (ko) * | 2021-11-09 | 2023-03-16 | 주식회사 하이퍼리서치 | 상권 분석 정보 제공 방법 및 이를 기록한 기록매체 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311401A (zh) | 一种基于LightGBM的金融违约概率预测模型 | |
Gepp et al. | Predicting financial distress: A comparison of survival analysis and decision tree techniques | |
CN109977028A (zh) | 一种基于遗传算法和随机森林的软件缺陷预测方法 | |
CN110659207B (zh) | 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法 | |
CN112037009A (zh) | 一种基于随机森林算法的消费信贷场景的风险评估方法 | |
CN110969304A (zh) | 数字工厂生产产能预测方法、系统、装置 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN112036476A (zh) | 基于二分类业务的数据特征选择方法、装置及计算机设备 | |
CN111967521B (zh) | 跨境活跃用户识别方法及装置 | |
CN113434685A (zh) | 一种资讯分类处理的方法及系统 | |
CN113256409A (zh) | 基于机器学习的银行零售客户流失预测方法 | |
CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
CN114463036A (zh) | 一种信息处理方法及装置、存储介质 | |
Zhou et al. | Supply chain fraud prediction based on xgboost method | |
CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
Kim et al. | Predicting corporate defaults using machine learning with geometric-lag variables | |
Sagala et al. | Enhanced churn prediction model with boosted trees algorithms in the banking sector | |
CN116595363A (zh) | 预测方法、装置、设备、存储介质和计算机程序产品 | |
CN116185684A (zh) | 一种服务器故障根因分析模型的构建方法及应用 | |
CN115099928A (zh) | 流失客户识别方法及装置 | |
CN113869423A (zh) | 一种营销响应模型构建方法、设备及介质 | |
CN113238908A (zh) | 一种服务器性能测试数据分析方法及相关装置 | |
CN112308603A (zh) | 基于相似性扩展的快速门店选址方法及装置、存储介质 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
Chen et al. | Evaluation of customer behaviour with machine learning for churn prediction: The case of bank customer churn in europe |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200619 |
|
WW01 | Invention patent application withdrawn after publication |