CN112308702A - 一种信贷风险评估方法、装置、介质及设备 - Google Patents

一种信贷风险评估方法、装置、介质及设备 Download PDF

Info

Publication number
CN112308702A
CN112308702A CN202011193977.1A CN202011193977A CN112308702A CN 112308702 A CN112308702 A CN 112308702A CN 202011193977 A CN202011193977 A CN 202011193977A CN 112308702 A CN112308702 A CN 112308702A
Authority
CN
China
Prior art keywords
attribute data
risk assessment
binning
original attribute
feature
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
Application number
CN202011193977.1A
Other languages
English (en)
Inventor
姚尧
俞晓臣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yuncong Technology Co ltd
Original Assignee
Beijing Yuncong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yuncong Technology Co ltd filed Critical Beijing Yuncong Technology Co ltd
Priority to CN202011193977.1A priority Critical patent/CN112308702A/zh
Publication of CN112308702A publication Critical patent/CN112308702A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种信贷风险评估方法，包括：根据业务对象的业务类型确定与业务类型相对应的原始属性数据；采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。本发明基于决策树的集成学习分箱算法对所述原始属性数据进行分箱，可以根据数据的特点自动进行多轮的迭代拟合，每一轮迭代都会针对上一轮迭代中的不足，进行针对性的增强，从而达到更好的分箱效果。

Description

一种信贷风险评估方法、装置、介质及设备
技术领域
本发明涉及金融领域，具体涉及一种信贷风险评估方法、装置、介质及设备。
背景技术
因为金融风控行业的特殊性，对于算法模型的可解释性以及可靠性要求较高，容错性很低，所以评分卡模型被大家广泛使用。在传统的评分卡模型中，连续变量离散化是必不可少的一步，此环节中卡方分箱的应用最为广泛。但卡方分箱也有其缺点，首先卡方分箱对于数据分布有先验假设(假设数据符合卡方分布)以及要进行置信度水平的设定，是在此前提之下进行的统计学计算，没有考虑到样本自身的特点；其次卡方分箱在理论频数小于5时，需要进行连续性矫正，性能会收到一定的影响。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种信贷风险评估方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。
为实现上述目的及其他相关目的，本发明提供一种信贷风险评估方法，包括：
根据业务对象的业务类型确定与业务类型相对应的原始属性数据；
采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；
基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；
基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。
可选地，在对原始属性数据进行分箱时，根据所述业务类型，确定所述决策树的最大深度限制。
可选地，在对原始属性数据进行分箱的过程中，通过特征处理算法对原始属性数据所对应的特征进行特征处理，所述特征处理算法包括以下至少之一：特征直方图、基于梯度的单边采样、互斥特征捆绑。
可选地，所述通过特征处理算法对原始属性数据所对应的特征进行特征处理，包括：
确定所述原始属性数据的数据量以及值；
根据所述数据量及值确定特征处理算法；若所述原始属性数据的数据量以及值均超过设定阈值，则采用特征直方图、基于梯度的单边采样、互斥特征捆绑对所述原始属性数据对应的特征进行特征处理；若所述原始属性数据的数据量以及值不超过设定阈值，则采用特征直方图以及基于梯度的单边采样对所述原始属性数据对应的特征进行特征处理。
可选地，在将所述分箱结果输入至预测模型前，还包括：对所述分箱结果进行WOE编码，得到目标分箱；
将所述目标分箱输入至预测模型。
可选地，所述预测模型神网络模型、决策树模型或逻辑回归模型。
可选地，还包括对所述原始属性数据进行预处理，包括：
对所述原始属性数据进行清洗；
对清洗后的原始属性数据进行缺失值填充。
为实现上述目的及其他相关目的，本发明提供一种信贷风险评估装置，包括：
原始属性数据获取模块，用于根据业务对象的业务类型确定与业务类型相对应的原始属性数据；
分箱模块，用于采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；
训练模块，用于基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；
评估模块，用于基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。
可选地，在对原始属性数据进行分箱时，根据所述业务类型，确定所述决策树的最大深度限制。
可选地，所述分箱模块通过特征处理算法对原始属性数据所对应的特征进行特征处理，所述特征处理算法包括以下至少之一：特征直方图、基于梯度的单边采样、互斥特征捆绑。
可选地，所述分箱模块包括：
数据量确定子模块，用于确定所述原始属性数据的数据量以及值；
特征处理子模块，用于根据所述数据量及值确定特征处理算法；
若所述原始属性数据的数据量以及值均超过设定阈值，则采用特征直方图、基于梯度的单边采样、互斥特征捆绑对所述原始属性数据对应的特征进行特征处理；若所述原始属性数据的数据量以及值不超过设定阈值，则采用特征直方图以及基于梯度的单边采样对所述原始属性数据对应的特征进行特征处理。
可选地，还包括：
编码模块，用于对所述分箱结果进行WOE编码，得到目标分箱；
输入模块，用于将所述目标分箱输入至预测模型。
为实现上述目的及其他相关目的，本发明还提供一种设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行前述的一个或多个所述的方法。
为实现上述目的及其他相关目的，本发明还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行前述的一个或多个所述的方法。
如上所述，本发明提供的一种信贷风险评估方法、装置、机器可读介质及设备、装置、介质及设备，具有以下有益效果：
本发明的一种信贷风险评估方法，包括：根据业务对象的业务类型确定与业务类型相对应的原始属性数据；采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。本发明基于决策树的集成学习分箱算法对所述原始属性数据进行分箱，可以根据数据的特点自动进行多轮的迭代拟合，每一轮迭代都会针对上一轮迭代中的不足，进行针对性的增强，从而达到更好的分箱效果。
附图说明
图1为本发明一实施例一种信贷风险评估方法的流程图；
图2为本发明一实施例通过特征处理算法对原始属性数据所对应的特征进行特征处理的流程图；
图3为本发明一实施例一种信贷风险评估装置的结构示意图；
图4为本发明一实施例中终端设备的硬件结构示意图；
图5为本发明一实施例中终端设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，一种信贷风险评估方法，包括：
S11根据业务对象的业务类型确定与业务类型相对应的原始属性数据；
S12采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；
S13基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；
S14基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。
本发明基于决策树的集成学习分箱算法对所述原始属性数据进行分箱，可以根据数据的特点自动进行多轮的迭代拟合，每一轮迭代都会针对上一轮迭代中的不足，进行针对性的增强，从而达到更好的分箱效果。
在步骤S11中，所述原始属性数据可以包括业务对象的基础数据以及行为数据。其中基础数据包括但不限于：业务对象的姓名、年龄、所在地区、职业、收入、文化程度、资产情况，所述行为数据包括但不限于是否发生借贷、是否逾期、是否具有还款能力。可以理解的是不同的业务类型需要不同的原始属性数据，比如贷前的风险评估，贷后的风险评估等，都需要相应的原始属性数据。因此，需要根据业务类型来获取相应的原始属性数据。
由于，不同类型的业务可能需要不同的业务解释需求，因此，针对不同的业务类型，决策树模型需具有不同的最大深度限制。
在一实施例中，在对原始属性数据进行分箱的过程中，通过特征处理算法对原始属性数据所对应的特征进行特征处理，所述特征处理算法包括以下至少之一：特征直方图、基于梯度的单边采样、互斥特征捆绑。
特征直方图算法，直方图算法的基本思想是：先把连续的浮点特征值离散化成整数，同时构造一个直方图。在遍历数据的时候，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点。
直方图算法简单理解为：首先确定对于每一个特征需要多少个箱子(bin)并为每一个箱子分配一个整数；然后将浮点数的范围均分成若干区间，区间个数与箱子个数相等，将属于该箱子的样本数据更新为箱子的值；最后用直方图(#bins)表示。看起来很高大上，其实就是直方图统计，将大规模的数据放在了直方图中。
采用直方图对原始属性数据对应的特征进行处理，可以使得内存占用更小，也可以使得主算代价更小。
基于梯度的单边采样的思想是，梯度大的样本点在信息增益的计算上扮演着主要的作用，贡献更多的信息增益，因此为了保持信息增益评估的精度，当对样本进行下采样的时候保留这些梯度大的样本点，而对于梯度小的样本点按比例进行随机采样即可。
具体地，基于梯度的单边采样的方法包括：
根据样本点的梯度的绝对值对样本点进行降序排序；
对排序后的结果选取前a*100％的样本生成一个大梯度样本点的子集；
对剩下的样本集合(1-a)100％的样本，随机的选取b(1-a)*100％个样本点，生成一个小梯度样本点的集合；
将大梯度样本和小梯度样本合并；
将小梯度样本乘上一个权重系数(1-a)/b；
使用上述带权重系数的小梯度样本，学习一个新的弱学习器；
不断地重复上述步骤直到达到规定的迭代次数或者收敛为止。
通过基于梯度的单边采样的方法对原始属性数据进行处理，可以在不改变数据分布的前提下不损失学习器精度的同时大大的减少模型学习的速率。当a＝0时，基于梯度的单边采样算法退化为随机采样算法；当a＝1时，基于梯度的单边采样算法变为采取整个样本的算法。
互斥特征捆绑的思想是，高维数据通常是稀疏的，特征的稀疏性给设计一种近乎无损的降低特征维数的方法提供了可能性，在稀疏特征空间中，许多特征是互斥的，即它们从不同时取非零值，把互斥的特征捆绑成一个特征。
互斥特征捆绑算法包括：
构造一个加权无向图，顶点是特征，边有权重，其权重与两个特征间冲突相关；
根据节点的度进行降序排序，度越大，与其它特征的冲突越大；
遍历每个特征，将它分配给现有特征包，或者新建一个特征包，使得总体冲突最小。
在一实施例中，如图2所示，所述通过特征处理算法对原始属性数据所对应的特征进行特征处理，包括：
S21确定所述原始属性数据的数据量以及值；
S22根据所述数据量及值确定特征处理算法；若所述原始属性数据的数据量以及值均超过设定阈值，则采用特征直方图、基于梯度的单边采样、互斥特征捆绑对所述原始属性数据对应的特征进行特征处理；若所述原始属性数据的数据量以及值不超过设定阈值，则采用特征直方图以及基于梯度的单边采样对所述原始属性数据对应的特征进行特征处理。
比如，手机这个特征，包括多个品牌，每个品牌又包括多种型号，因此，这种类型的数据其数据量大，值也大，因此，采用特征直方图、基于梯度的单边采样、互斥特征捆绑进行特征处理；而例如姓名这个特征，包括很多姓名，但每个姓名只包括几个字，其数据量大，但值小，因此，采用特征直方图、基于梯度的单边采样进行特征处理。
在一实施例中，在将所述分箱结果输入至预测模型前，还包括：对所述分箱结果进行WOE编码，得到目标分箱；通过WOE编码完成连续特征离散化、类别特征数值化的操作。
WoE(Weight ofEvidence)即证据权重，WoE是对原始自变量的一种编码形式。WoE能反映自变量的贡献情况，WoE编码之后，自变量其实具备了某种标准化的性质，对异常值不敏感。
在将所述分箱结果进行WOE编码后，将所述目标分箱输入至预测模型。
在一实施例中，所述预测模型神网络模型、决策树模型或逻辑回归模型。
在对所述预测模型进行训练，得到风险评估模型后，可以用测试集验证训练出来的风险评估模型的性能以及稳定性。
当风险评估模型的性能满足要求时，进行标准评分卡映射，根据业务场景及需求设定基准分、PDO、Odds等参数，得到最终详细的评分卡模型。
在一实施例中，还包括对所述原始属性数据进行预处理，包括：
对所述原始属性数据进行清洗；
对清洗后的原始属性数据进行缺失值填充。
由于业务数据中经常出现缺失的情况，进行缺失值填充可以将便于建模的数据填充到数据缺失的区域，以堤高建模的质量。对缺失数据进行处理具体可以是将空值或者一个指定的值替换为前值、后值、最大值、最小值、均值或者一个自定义的值，将字符型的空值或空字符串替换为前值、后值、一个自定义的值；也可以采用Random Forest算法对缺失值进行填充。
本发明基于决策树的集成学习自动分箱算法，对数据进行分箱操作，对于数据先验分布、特征频数没有要求，且运算效率更高，分箱结果更好、更合理。和传统方式相比，此种方法摆脱了先验设定对于数据的限制，运用机器学习的方法，挖掘样本自身的特点，从而提升最终的风控算法性能。
如图3所示，一种信贷风险评估装置，包括：
原始属性数据获取模块31，用于根据业务对象的业务类型确定与业务类型相对应的原始属性数据；
分箱模块32，用于采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；
训练模块33，用于基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；
评估模块34，用于基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。
在一实施例中，在对原始属性数据进行分箱时，根据所述业务类型，确定所述决策树的最大深度限制。
在一实施例中，所述分箱模块通过特征处理算法对原始属性数据所对应的特征进行特征处理，所述特征处理算法包括以下至少之一：特征直方图、基于梯度的单边采样、互斥特征捆绑。
在一实施例中，所述分箱模块包括：
数据量确定子模块，用于确定所述原始属性数据的数据量以及值；
特征处理子模块，用于根据所述数据量及值确定特征处理算法；
若所述原始属性数据的数据量以及值均超过设定阈值，则采用特征直方图、基于梯度的单边采样、互斥特征捆绑对所述原始属性数据对应的特征进行特征处理；若所述原始属性数据的数据量以及值不超过设定阈值，则采用特征直方衅以及基于梯度的单边采样对所述原始属性数据对应的特征进行特征处理。
在一实施例中，还包括：
编码模块，用于对所述分箱结果进行WOE编码，得到目标分箱；
输入模块，用于将所述目标分箱输入至预测模型。
在本实施例中，该装置实施例与前述的方法实施例相对应，具体功能和技术效果参照上述实施例即可，此处不再赘述。
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts GroupAudio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中方法所包含步骤的指令(instructions)。
图4为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图5为本申请的一个实施例提供的终端设备的硬件结构示意图。图5是对图4在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图5实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图4实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (14)

1.一种信贷风险评估方法，其特征在于，包括：
根据业务对象的业务类型确定与业务类型相对应的原始属性数据；
采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；
基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；
基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。
2.根据权利要求1所述的信贷风险评估方法，其特征在于，在对原始属性数据进行分箱时，根据所述业务类型，确定所述决策树的最大深度限制。
3.根据权利要求1所述的信贷风险评估方法，其特征在于，在对原始属性数据进行分箱的过程中，通过特征处理算法对原始属性数据所对应的特征进行特征处理，所述特征处理算法包括以下至少之一：特征直方图、基于梯度的单边采样、互斥特征捆绑。
4.根据权利要求3所述的信贷风险评估方法，其特征在于，所述通过特征处理算法对原始属性数据所对应的特征进行特征处理，包括：
确定所述原始属性数据的数据量以及值；
根据所述数据量及值确定特征处理算法；若所述原始属性数据的数据量以及值均超过设定阈值，则采用特征直方图、基于梯度的单边采样、互斥特征捆绑对所述原始属性数据对应的特征进行特征处理；若所述原始属性数据的数据量以及值不超过设定阈值，则采用特征直方图以及基于梯度的单边采样对所述原始属性数据对应的特征进行特征处理。
5.根据权利要求1所述的信贷风险评估方法，其特征在于，在将所述分箱结果输入至预测模型前，还包括：
对所述分箱结果进行WOE编码，得到目标分箱；
将所述目标分箱输入至预测模型。
6.根据权利要求1所述的信贷风险评估方法，其特征在于，所述预测模型神网络模型、决策树模型或逻辑回归模型。
7.根据权利要求1所述的数据处理方法，其特征在于，还包括对所述原始属性数据进行预处理，包括：
对所述原始属性数据进行清洗；
对清洗后的原始属性数据进行缺失值填充。
8.一种信贷风险评估装置，其特征在于，包括：
原始属性数据获取模块，用于根据业务对象的业务类型确定与业务类型相对应的原始属性数据；
分箱模块，用于采用基于决策树的集成学习分箱算法对所述原始属性数据进行分箱处理，得到分箱结果；
训练模块，用于基于所述分箱结果，以对所述预测模型进行训练，得到风险评估模型；
评估模块，用于基于所述风险评估模型对所述业务对象进行风险评估，得到风险等级。
9.根据权利要求8所述的信贷风险评估装置，其特征在于，在对原始属性数据进行分箱时，根据所述业务类型，确定所述决策树的最大深度限制。
10.根据权利要求8所述的信贷风险评估装置，其特征在于，所述分箱模块通过特征处理算法对原始属性数据所对应的特征进行特征处理，所述特征处理算法包括以下至少之一：特征直方图、基于梯度的单边采样、互斥特征捆绑。
11.根据权利要求10所述的信贷风险评估装置，其特征在于，所述分箱模块包括：
数据量确定子模块，用于确定所述原始属性数据的数据量以及值；
特征处理子模块，用于根据所述数据量及值确定特征处理算法；
若所述原始属性数据的数据量以及值均超过设定阈值，则采用特征直方图、基于梯度的单边采样、互斥特征捆绑对所述原始属性数据对应的特征进行特征处理；若所述原始属性数据的数据量以及值不超过设定阈值，则采用特征直方图以及基于梯度的单边采样对所述原始属性数据对应的特征进行特征处理。
12.根据权利要求8所述的信贷风险评估装置，其特征在于，还包括：
编码模块，用于对所述分箱结果进行WOE编码，得到目标分箱；
输入模块，用于将所述目标分箱输入至预测模型。
13.一种设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-7中一个或多个所述的方法。
14.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-7中一个或多个所述的方法。
CN202011193977.1A 2020-10-30 2020-10-30 一种信贷风险评估方法、装置、介质及设备 Pending CN112308702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011193977.1A CN112308702A (zh) 2020-10-30 2020-10-30 一种信贷风险评估方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011193977.1A CN112308702A (zh) 2020-10-30 2020-10-30 一种信贷风险评估方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN112308702A true CN112308702A (zh) 2021-02-02

Family

ID=74333178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011193977.1A Pending CN112308702A (zh) 2020-10-30 2020-10-30 一种信贷风险评估方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN112308702A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130619A (zh) * 2022-08-04 2022-09-30 中建电子商务有限责任公司 一种基于聚类选择集成的风险控制方法
CN115841279A (zh) * 2023-02-20 2023-03-24 塔比星信息技术(深圳)有限公司 供应链数据评估方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080397A (zh) * 2019-11-18 2020-04-28 支付宝(杭州)信息技术有限公司 信用评估方法、装置及电子设备
CN111079998A (zh) * 2019-12-03 2020-04-28 华东师范大学 基于长短时序相关性注意力机制模型的流量预测方法
CN111563810A (zh) * 2020-04-28 2020-08-21 北京云从科技有限公司 信贷风控模型生成方法、信用评估方法、系统、机器可读介质及设备
CN111815432A (zh) * 2020-07-08 2020-10-23 中国工商银行股份有限公司 金融服务风险预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080397A (zh) * 2019-11-18 2020-04-28 支付宝(杭州)信息技术有限公司 信用评估方法、装置及电子设备
CN111079998A (zh) * 2019-12-03 2020-04-28 华东师范大学 基于长短时序相关性注意力机制模型的流量预测方法
CN111563810A (zh) * 2020-04-28 2020-08-21 北京云从科技有限公司 信贷风控模型生成方法、信用评估方法、系统、机器可读介质及设备
CN111815432A (zh) * 2020-07-08 2020-10-23 中国工商银行股份有限公司 金融服务风险预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130619A (zh) * 2022-08-04 2022-09-30 中建电子商务有限责任公司 一种基于聚类选择集成的风险控制方法
CN115841279A (zh) * 2023-02-20 2023-03-24 塔比星信息技术(深圳)有限公司 供应链数据评估方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US8533235B2 (en) Infrastructure and architecture for development and execution of predictive models
CN113051317B (zh) 一种数据挖掘模型更新方法、系统、计算机设备及可读介质
CN111898675B (zh) 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备
CN110031761B (zh) 电池筛选方法、电池筛选装置及终端设备
CN112163642A (zh) 一种风控规则获取方法、装置、介质及设备
CN112308702A (zh) 一种信贷风险评估方法、装置、介质及设备
CN109740642A (zh) 发票类别识别方法、装置、电子设备及可读存储介质
CN111209827A (zh) 一种基于特征检测的ocr识别票据问题的方法及系统
CN108108455A (zh) 目的地的推送方法、装置、存储介质及电子设备
CN111563810A (zh) 信贷风控模型生成方法、信用评估方法、系统、机器可读介质及设备
CN112328657A (zh) 特征衍生方法、装置、计算机设备及介质
CN112507167A (zh) 一种识别视频合集的方法、装置、电子设备及存储介质
CN114078008A (zh) 异常行为检测方法、装置、设备及计算机可读存储介质
CN115545103A (zh) 异常数据识别、标签识别方法和异常数据识别装置
CN112035449A (zh) 数据处理方法及装置、计算机设备、存储介质
CN112966756A (zh) 一种可视化的准入规则的生成方法、装置、机器可读介质及设备
CN111738290B (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN111259975B (zh) 分类器的生成方法及装置、文本的分类方法及装置
CN106056404A (zh) 数据挖掘方法及装置
CN110544166A (zh) 样本生成方法、装置及存储介质
CN108280224B (zh) 万级维度数据生成方法、装置、设备以及存储介质
CN111275683A (zh) 图像质量评分处理方法、系统、设备及介质
CN110728243B (zh) 一种权级分类的业务管理方法、系统、设备和介质
CN114021642A (zh) 数据处理方法、装置、电子设备和存储介质
CN113515577A (zh) 数据预处理方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210202