CN112766649A - 基于多评分卡融合的目标对象评价方法及其相关设备 - Google Patents

基于多评分卡融合的目标对象评价方法及其相关设备 Download PDF

Info

Publication number
CN112766649A
CN112766649A CN202011617815.6A CN202011617815A CN112766649A CN 112766649 A CN112766649 A CN 112766649A CN 202011617815 A CN202011617815 A CN 202011617815A CN 112766649 A CN112766649 A CN 112766649A
Authority
CN
China
Prior art keywords
target
model
characteristic
characteristic variable
variable set
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
Application number
CN202011617815.6A
Other languages
English (en)
Other versions
CN112766649B (zh
Inventor
张巧丽
林荣吉
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011617815.6A priority Critical patent/CN112766649B/zh
Priority to PCT/CN2021/090154 priority patent/WO2022142001A1/zh
Publication of CN112766649A publication Critical patent/CN112766649A/zh
Application granted granted Critical
Publication of CN112766649B publication Critical patent/CN112766649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06Q40/08—Insurance

Abstract

本申请属于人工智能领域，涉及基于多评分卡融合的目标对象评价方法及其相关设备，所述方法包括:根据目标对象的历史数据包含的特征变量的分布状态进行数据清洗，之后进行特征变量筛选得到原始特征变量集；对原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；基于各目标特征变量集构建多个目标LR模型并生成模型精度值；基于各目标LR模型生成多个评分卡模型，根据各评分卡模型及其对应的模型精度值进行评分卡融合，得到目标评分卡模型，基于目标评分卡模型可输出目标评分值。此外，本申请还涉及区块链技术，被确定为私密信息的数据可存储于区块链中。本申请可以降低特征变量偏移带来的模型风险，提升模型稳定性的同时保证模型精度。

Description

基于多评分卡融合的目标对象评价方法及其相关设备
技术领域
本申请涉及人工智能技术领域，具体涉及基于多评分卡融合的目标对象评价方法、装置、计算机设备及存储介质。
背景技术
评分卡模型广泛用于金融行业的风险评估与控制，如贷前申请评分卡、贷中行为评分卡、贷后催收评分卡模型等。在评分卡模型训练过程中，需获取特征变量作为模型输入，一方面获取特征变量时需对特征变量进行筛选以降低特征变量的信息冗余度，另一方面模型拟合过程相关性较高的特征变量会部分被剔除，从而在一定程度上会损失特征的多样性，从而降低评分卡模型的精度，评价准确度降低，且对于目标变量时间跨度长的应用场景，模型评分卡输入的特征变量分布存在偏移，特征变量相关性被剔除后，偏移的特征变量信息将会损失且无法由其他特征变量弥补，导致评分卡模型风险增大，稳定性降低。
发明内容
本申请实施例的目的在于提出一种基于多评分卡融合的目标对象评价方法、装置、计算机设备及存储介质，以解决现有技术中因剔除特征变量而损失特征的多样性导致评分卡模型精度降低、以及因目标变量时间跨度长导致的评分卡模型稳定性降低的问题。
为了解决上述技术问题，本申请实施例提供一种基于多评分卡融合的目标对象评价方法，采用了如下所述的技术实施例：
一种基于多评分卡融合的目标对象评价方法，包括下述步骤：
获取目标对象的历史数据，根据所述历史数据包含的特征变量的分布状态进行数据清洗，对清洗后的所述历史数据进行特征变量筛选，得到原始特征变量集；
对所述原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；
基于各所述目标特征变量集构建多个目标LR模型并生成各所述目标LR模型的模型精度值；
基于各所述目标LR模型生成多个评分卡模型，其中通过多个所述评分卡模型可得到所述目标对象的多个评分值，根据各所述评分卡模型及其对应的目标LR模型的模型精度值进行评分卡融合，得到目标评分卡模型，并基于所述目标评分卡模型输出所述目标对象的目标评分值。
为了解决上述技术问题，本申请实施例还提供一种基于多评分卡融合的目标对象评价装置，采用了如下所述的技术实施例：
一种基于多评分卡融合的目标对象评价装置，包括：
特征获取模块，用于获取目标对象的历史数据，根据所述历史数据包含的特征变量的分布状态进行数据清洗，对清洗后的所述历史数据进行特征变量筛选，得到原始特征变量集；
分群模块，用于对所述原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；
模型构建模块，用于基于各所述目标特征变量集构建多个目标LR模型并生成各所述目标LR模型的模型精度值；
模型融合模块，用于基于各所述目标LR模型生成多个评分卡模型，其中通过多个所述评分卡模型可得到所述目标对象的多个评分值，根据各所述评分卡模型及其对应的目标LR模型的模型精度值进行评分卡融合，得到目标评分卡模型，基于所述目标评分卡模型可输出所述目标对象的目标评分值。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术实施例：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于多评分卡融合的目标对象评价方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术实施例：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于多评分卡融合的目标对象评价方法的步骤。
与现有技术相比，本申请实施例提供的基于多评分卡融合的目标对象评价方法、装置、计算机设备及存储介质主要有以下有益效果：
在基于历史数据得到特征变量集后，通过分群得到多个互斥的目标特征变量集，再分别基于目标特征变量集构建多个LR模型，已得到多个评分卡模型，最终基于多个评分卡模型的融合得到目标评分卡模型，由此得到目标对象的目标评分值，可以降低特征变量偏移带来的模型风险，提升模型稳定性，同时避免特征变量过度去重带来的信息多样性损失，保证模型精度，从而提高目标对象评价的准确率。
附图说明
为了更清楚地说明本申请中的实施例，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，下面描述中的附图对应于本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的基于多评分卡融合的目标对象评价方法的一个实施例的流程图；
图3是根据本申请的基于多评分卡融合的目标对象评价装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请实施例，下面将结合附图，对本申请实施例中的技术实施例进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于多评分卡融合的目标对象评价方法一般由服务器执行，相应地，基于多评分卡融合的目标对象评价装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本申请的基于多评分卡融合的目标对象评价方法的一个实施例的流程图。所述的基于多评分卡融合的目标对象评价方法包括以下步骤：
S201，获取目标对象的历史数据，根据所述历史数据包含的特征变量的分布状态进行数据清洗，对清洗后的所述历史数据进行特征变量筛选，得到原始特征变量集；
S202，对所述原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；
S203，基于各所述目标特征变量集构建多个目标LR模型并生成各所述目标LR模型的模型精度值；
S204，基于各所述目标LR模型生成多个评分卡模型，其中通过多个所述评分卡模型可得到所述目标对象的多个评分值，根据各所述评分卡模型及其对应的目标LR模型的模型精度值进行评分卡融合，得到目标评分卡模型，并基于所述目标评分卡模型输出所述目标对象的目标评分值。
下面对上述步骤进行展开说明。
对于步骤S201，本实施例中所述目标对象主要为交易活动场景中的交易主体，这种交易活动场景中被交易的对象不限于实体产品交易，也可包括金融产品交易、经验知识交易、劳动力交易等，比如保险行业的保险代理人招聘，可看做是劳动力的交易，保险代理人作为交易主体出售劳动力，因此所述目标对象可以是人或者企业，相应的，所述历史数据可包括属性信息和行为信息等不同维度的数据，比如在保险代理人招聘场景中，所述属性信息包括保险代理人基本信息，所述行为信息包括包括代理人招聘岗前班表现、保险代理人平台活跃情况、历史购买保单信息等，基于这些信息可提取与目标对象相关的多个维度的特征变量。
在得到历史数据后，需对其包含的各特征变量进行探索性数据分析(EDA，Exploratory Data Analysis)，具体分析特征变量的数据分布特征(也即分布状态)，包括但不限于数据饱和度、是否存在异常值、最大值、最小值、均值、分布类型等，之后根据数据分布特征进行数据清洗，处理获取的历史数据中的脏数据、缺失值、异常值等，比如处理缺失值时，可删除缺失率超过预设阈值(阈值根据情况自行设定，可取50％、70％、90％等)的特征变量。
完成数据清洗后，进行特征变量筛选时，具体基于特征变量的PSI(PopulationStability Index，群体稳定性指数)值和IV(information value，信息价值或信息量)值剔除分布不稳定、预测能力差和预测能力不稳定的特征变量，得到筛选后的原始特征变量集，为便于后文描述，将所述原始特征变量集记为C0。
对于步骤S202，在本实施例中，所述对所述原始特征变量集进行分群操作可为将所述原始特征变量集对应的训练样本集输入预设的LightGBM模型进行训练，通过输出的各所述特征变量提供的信息增益来进行分群操作，具体可包括：
第一步，根据所述原始特征变量集中的特征变量的数量确定分群数量；
第二步，将所述原始特征变量集中的特征变量对应的训练样本集输入预设的LightGBM模型进行训练，输出模型训练过程中的各特征变量的信息增益值并进行排序，基于排序结果从所述原始特征变量集中筛选出若干特征变量，得到一个目标特征变量集；
第三步，基于筛选剩余的特征变量生成新的原始特征变量集，将所述新的原始特征变量集中的特征变量对应的训练样本集输入所述预设的LightGBM模型进行训练，输出模型训练过程中各特征变量的信息增益值并进行排序，基于排序结果从所述新的原始特征变量集中筛选出若干特征变量，得到另一个目标特征变量集；
第四步，重复上一步骤，直到得到与所述分群数量一致的多个目标特征变量集，完成分群操作。
具体的，设定根据原始特征变量集中的特征变量的数量确定的分群数量为N，N为正整数，由于除第一次得到目标特征变量集以外的目标特征变量集都是基于筛选后剩余的特征变量获得，故N个目标特征变量集不存在相同的特征变量，因此通过上述步骤可得到N个互斥的目标特征变量集；在本实施例中，根据原始特征变量集中的特征变量的数量确认的分群数量N可取2或3。
进一步地，所述基于排序结果从所述原始特征变量集中筛选出若干特征变量包括：选取信息增益值排序靠前的若干特征变量，使得选取的所述若干特征变量的信息增益值总和与所述原始特征变量集中所有特征变量的信息增益值总和的比值超过预设增益阈值。其中，由于预设增益阈值的值越小，单模型信息去重度越高，但模型精度也会因过度信息去重而降低，故预设增益阈值可选择90％及以上。同样的，基于排序结果从所述新的原始特征变量集中筛选出若干特征变量也采用上述方式，其预设增益阈值和基于排序结果从所述原始特征变量集中筛选出若干特征变量的筛选过程保持一致。
对于步骤S203，基于N个目标特征变量集构建N个相互独立的LR模型，并在生成LR模型后基于预测样本集得到各LR模型的模型精度值。其中，根据一个所述目标特征变量集构建一个所述目标LR模型包括：
将所述目标特征变量集中的特征变量的多个样本值进行分箱，计算每个所述分箱的WOE值，以所述WOE值对所述目标特征变量集中的各特征变量的各个分箱进行编码，基于编码结果训练原始LR模型，判断所述目标特征变量集中的各特征变量在训练后的LR模型中的权重系数是否均为正，若是则所述训练后的LR模型即为构建的所述目标LR模型。
具体的，在对各特征变量的多个样本值进行分箱时，若多个样本值为离散值，则每个样本值为一个分箱，若多个样本值为连续值时，则可按照等频划分的方式将多个样本值进行分箱操作，得到若干分箱。
进一步地，当基于一个目标特征变量集训练后的LR模型中各特征变量的权重系数存在负数时，说明一些特征变量的线性相关性较强，需要进一步对各目标特征变量集进行特征变量的筛选，故所述方法还包括：当所述目标特征变量集中的各特征变量在训练后的LR模型中的权重系数存在负数时，对所述目标特征变量集进行特征变量的二次筛选。其中，所述对所述目标特征变量集进行特征变量的二次筛选包括：
根据所述目标特征变量集中各特征变量的信息增益值进行降序排列；从所述目标特征变量集中选择信息增益值靠前的预设数量的特征变量作为基本特征变量，得到基本特征变量集；将所述目标特征变量集中除所述基本特征变量以外的其他特征变量，按信息增益值从高到低的顺序逐一添加至所述基本特征变量集中进行LR模型训练，根据训练结果进行二次筛选，得到筛选后的目标特征变量集；具体的，所述基本特征变量集添加一个特征变量时，根据添加后的基本特征变量集进行LR模型训练，并判断所述添加后的基本特征变量集中的特征变量在训练后LR模型中的权重系数是否均为正，若是则保留当前添加的特征变量，否则剔除当前添加的特征变量，再添加下一个特征变量进行LR模型训练，并进行权重系数的正负判断，基于判断结果确定是否保留新添加的特征变量，直到最后一个添加的特征变量完成筛选。在得到筛选后的目标特征变量集的同时也完成LR模型的构建，其中所述预设数量可以为4至5个。
以C1、C2、……、CN分别表示N个目标特征变量集，以目标特征变量集C1为例，假如C1包含10特征变量，分别为x1、x2、…、x10，初始基于x1、x2、…、x10进行分箱和编码操作，并基于编码结果训练LR模型，当x1、x2、…、x10中存在权重系数为负的情况时，对x1、x2、…、x10的信息增益进行降序排列，假如选出x2、x4、x8、x10四个特征变量作为基本特征变量，得到基本特征变量集，其余6个特征变量基于信息增益的降序排列为x3、x1、x5、x7、x9、x6，则先将x3加入基本特征变量集进行LR模型训练，并以x2、x4、x8、x10、x3的基本特征变量集进行权重系数的正负判断，若存在负数，则将x3剔除，否则保留，其中，当剔除x3时，将x1加入基本特征变量集进行LR模型训练，并进行x2、x4、x8、x10、x1的权重系数的正负判断，当保留x3时，将x1加入基本特征变量集进行LR模型训练，并进行x2、x4、x8、x10、x3、x1的权重系数的正负判断，以此类推。此时基于目标特征变量集C1生成LR模型M1,再将预测样本集输入M1中得到其对应的模型精度AUC值，记为AUC1。对C2、……、CN重复前述操作直至生成N个LR模型，并得到对应的模型精度AUC值，分别为AUC2、……、AUCN。
对于步骤S204，在本实施例中，根据LR模型得到评分卡模型以下式作为基础：
Figure BDA0002877286510000091
A、B为系数。
将LR模型输出的样本为正样本的概率设为p(如违约概率为p)，约定某特定概率p0下预期评分为S0,且概率翻倍后评分为SD，建立二元一次方程组求解A、B。
则当LR模型对应的目标特征变量集包含的特征变量为x1、x2、…、xn，且x1、x2、…、xn都进行了WOE编码时，可将各特征变量表示为(θiωij)δij的形式，此时根据LR模型得到的评分卡模型为下式：
Figure BDA0002877286510000092
其中，A-B*θ0为基础分数，θi为LR模型中第i个特征变量的系数，ωij为第i个特征变量的第j个分箱的WOE值，δij是0，1逻辑变量。重复以上操作直至生成N个评分卡模型，分别为S1、S2、…、SN，各评分卡中的p0、S0、SD一致。
最后根据各评分卡模型S1、S2、…、SN及对应的LR模型的精度值AUC1、AUC2、…、AUCN,进行融合,得到目标评分卡模型为S＝S1*AUC1+S2*AUC2+…+SN*AUCN，通过目标评分卡模型即可输出目标对象的目标评分值。
本申请提供的基于多评分卡融合的目标对象评价方法，在基于历史数据得到特征变量集后，通过分群得到多个互斥的目标特征变量集，再分别基于目标特征变量集构建多个LR模型，已得到多个评分卡模型，最终基于多个评分卡模型的融合得到目标评分卡模型，由此得到目标对象的目标评分值，可以降低特征变量偏移带来的模型风险，提升模型稳定性，同时避免特征变量过度去重带来的信息多样性损失，保证模型精度，从而提高目标对象评价的准确率。
需要强调的是，为进一步保证信息的私密和安全性，历史数据中的隐私信息或者需防止被篡改的信息可以存储于一区块链的节点中。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于多评分卡融合的目标对象评价装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于多评分卡融合的目标对象评价装置包括：特征获取模块301、分群模块302、模型构建模块303以及模型融合模块304。其中，所述特征获取模块301用于获取目标对象的历史数据，根据所述历史数据包含的特征变量的分布状态进行数据清洗，对清洗后的所述历史数据进行特征变量筛选，得到原始特征变量集；所述分群模块302用于对所述原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；所述模型构建模块303用于基于各所述目标特征变量集构建多个目标LR模型并生成各所述目标LR模型的模型精度值；所述模型融合模块304用于基于各所述目标LR模型生成多个评分卡模型，其中通过多个所述评分卡模型可得到所述目标对象的多个评分值，根据各所述评分卡模型及其对应的目标LR模型的模型精度值进行评分卡融合，得到目标评分卡模型，基于所述目标评分卡模型可输出所述目标对象的目标评分值。
在本实施例中，特征获取模块301从历史数据中特征变量形成原始特征变量集的过程可参考上述方法实施例，在此不作展开。
在本实施例中，所述分群模块302对所述原始特征变量集进行分群操作时，用于将所述原始特征变量集对应的训练样本集输入预设的LightGBM模型进行训练，通过输出的各所述特征变量提供的信息增益来进行分群操作，具体用于根据所述原始特征变量集中的特征变量的数量确定分群数量；将所述原始特征变量集中的特征变量对应的训练样本集输入预设的LightGBM模型进行训练，输出模型训练过程中的各特征变量的信息增益值并进行排序，基于排序结果从所述原始特征变量集中筛选出若干特征变量，得到一个目标特征变量集；基于筛选剩余的特征变量生成新的原始特征变量集，将所述新的原始特征变量集中的特征变量对应的训练样本集输入所述预设的LightGBM模型进行训练，输出模型训练过程中各特征变量的信息增益值并进行排序，基于排序结果从所述新的原始特征变量集中筛选出若干特征变量，得到另一个目标特征变量集；重复前一过程直到得到与所述分群数量一致的多个目标特征变量集，完成分群操作。
在本实施例中，所述分群模块302基于排序结果从所述原始特征变量集中筛选出若干特征变量时具体用于：选取信息增益值排序靠前的若干特征变量，使得选取的所述若干特征变量的信息增益值总和与所述原始特征变量集中所有特征变量的信息增益值总和的比值超过预设增益阈值。具体参考上述方法实施例，在此不作展开。
在本实施例中，所述模型构建模块303根据一个所述目标特征变量集构建一个所述目标LR模型时，具体用于：将所述目标特征变量集中的特征变量的多个样本值进行分箱，计算每个所述分箱的WOE值，以所述WOE值对所述目标特征变量集中的各特征变量的各个分箱进行编码，基于编码结果训练原始LR模型，判断所述目标特征变量集中的各特征变量在训练后的LR模型中的权重系数是否均为正，若是则所述训练后的LR模型即为构建的所述目标LR模型。其中，在对各特征变量的多个样本值进行分箱时，若多个样本值为离散值，则每个样本值为一个分箱，若多个样本值为连续值时，则可按照等频划分的方式将多个样本值进行分箱操作，得到若干分箱。
在本实施例中，所述模型构建模块303方法还用于：当所述目标特征变量集中的各特征变量在训练后的LR模型中的权重系数存在负数时，对所述目标特征变量集进行特征变量的二次筛选。具体进行二次筛选的过程可参考上述方法实施例，在此不作展开。
在本实施例中，模型融合模块304具体用于将各评分卡模型及对应的LR模型的精度值进行加权融合,得到目标评分卡模型，具体过程可参考上述方法实施例，在此不作展开。
本申请提供的基于多评分卡融合的目标对象评价装置，在基于历史数据得到特征变量集后，通过分群得到多个互斥的目标特征变量集，再分别基于目标特征变量集构建多个LR模型，已得到多个评分卡模型，最终基于多个评分卡模型的融合得到目标评分卡模型，由此得到目标对象的目标评分值，可以降低特征变量偏移带来的模型风险，提升模型稳定性，同时避免特征变量过度去重带来的信息多样性损失，保证模型精度，从而提高目标对象评价的准确率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43，所述存储器41中存储有计算机可读指令，所述处理器42执行所述计算机可读指令时实现上述方法实施例中所述的基于多评分卡融合的目标对象评价方法的步骤，并具有与上述基于多评分卡融合的目标对象评价方法相对应的有益效果，在此不作展开。
需要指出的是，图中仅示出了具有存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
在本实施例中，所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如对应于上述基于多评分卡融合的目标对象评价方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行对应于所述基于多评分卡融合的目标对象评价方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于多评分卡融合的目标对象评价方法的步骤，并具有与上述基于多评分卡融合的目标对象评价方法相对应的有益效果，在此不作展开。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术实施例本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术实施例进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于多评分卡融合的目标对象评价方法，其特征在于，包括下述步骤：
获取目标对象的历史数据，根据所述历史数据包含的特征变量的分布状态进行数据清洗，对清洗后的所述历史数据进行特征变量筛选，得到原始特征变量集；
对所述原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；
基于各所述目标特征变量集构建多个目标LR模型并生成各所述目标LR模型的模型精度值；
基于各所述目标LR模型生成多个评分卡模型，其中通过多个所述评分卡模型可得到所述目标对象的多个评分值，根据各所述评分卡模型及其对应的目标LR模型的模型精度值进行评分卡融合，得到目标评分卡模型，基于所述目标评分卡模型可输出所述目标对象的目标评分值。
2.根据权利要求1所述的基于多评分卡融合的目标对象评价方法，其特征在于，所述对所述原始特征变量集进行分群操作包括：将所述原始特征变量集对应的训练样本集输入预设的LightGBM模型进行训练，通过输出的各所述特征变量提供的信息增益来进行分群操作。
3.根据权利要求2所述的基于多评分卡融合的目标对象评价方法，其特征在于，所述将所述原始特征变量集对应的训练样本集输入预设的LightGBM模型进行训练，通过输出的各所述特征变量提供的信息增益来进行分群操作包括：
根据所述原始特征变量集中的特征变量的数量确定分群数量；
将所述原始特征变量集中的特征变量对应的训练样本集输入预设的LightGBM模型进行训练，输出模型训练过程中的各特征变量的信息增益值并进行排序，基于排序结果从所述原始特征变量集中筛选出若干特征变量，得到一个目标特征变量集；
基于筛选剩余的特征变量生成新的原始特征变量集，将所述新的原始特征变量集中的特征变量对应的训练样本集输入所述预设的LightGBM模型进行训练，输出模型训练过程中各特征变量的信息增益值并进行排序，基于排序结果从所述新的原始特征变量集中筛选出若干特征变量，得到另一个目标特征变量集；
重复上一步骤，直到得到与所述分群数量一致的多个目标特征变量集，完成分群操作。
4.根据权利要求3所述的基于多评分卡融合的目标对象评价方法，其特征在于，所述基于排序结果从所述原始特征变量集中筛选出若干特征变量包括：选取信息增益值排序靠前的若干特征变量，使得选取的所述若干特征变量的信息增益值总和与所述原始特征变量集中所有特征变量的信息增益值总和的比值超过预设增益阈值。
5.根据权利要求2至4任一项所述的基于多评分卡融合的目标对象评价方法，其特征在于，根据一个所述目标特征变量集构建一个所述目标LR模型包括：将所述目标特征变量集中的特征变量的多个样本值进行分箱，计算每个所述分箱的WOE值，以所述WOE值对所述目标特征变量集中的各特征变量的各个分箱进行编码，基于编码结果训练原始LR模型，判断所述目标特征变量集中的各特征变量在训练后的LR模型中的权重系数是否均为正，若是则所述训练后的LR模型即为构建的所述目标LR模型。
6.根据权利要求5所述的基于多评分卡融合的目标对象评价方法，其特征在于，当所述目标特征变量集中的各特征变量在训练后的LR模型中的权重系数存在负数时，所述方法还包括对所述目标特征变量集进行特征变量的二次筛选。
7.根据权利要求6所述的基于多评分卡融合的目标对象评价方法，其特征在于，所述对所述目标特征变量集进行特征变量的二次筛选包括：
根据所述目标特征变量集中各特征变量的信息增益值进行降序排列；
从所述目标特征变量集中选择信息增益值靠前的预设数量的特征变量作为基本特征变量，得到基本特征变量集；
将所述目标特征变量集中除所述基本特征变量以外的其他特征变量，按信息增益值从高到低的顺序逐一添加至所述基本特征变量集中进行LR模型训练，根据训练结果进行二次筛选，得到筛选后的目标特征变量集；具体的，所述基本特征变量集添加一个特征变量时，根据添加后的基本特征变量集进行LR模型训练，并判断所述添加后的基本特征变量集中的特征变量在训练后LR模型中的权重系数是否均为正，若是则保留当前添加的特征变量，否则剔除当前添加的特征变量，再添加下一个特征变量进行LR模型训练，并进行权重系数的正负判断，基于判断结果确定是否保留新添加的特征变量，直到最后一个添加的特征变量完成筛选。
8.一种基于多评分卡融合的目标对象评价装置，其特征在于，包括：
特征获取模块，用于获取目标对象的历史数据，根据所述历史数据包含的特征变量的分布状态进行数据清洗，对清洗后的所述历史数据进行特征变量筛选，得到原始特征变量集；
分群模块，用于对所述原始特征变量集进行分群操作，得到多个互斥的目标特征变量集；
模型构建模块，用于基于各所述目标特征变量集构建多个目标LR模型并生成各所述目标LR模型的模型精度值；
模型融合模块，用于基于各所述目标LR模型生成多个评分卡模型，其中通过多个所述评分卡模型可得到所述目标对象的多个评分值，根据各所述评分卡模型及其对应的目标LR模型的模型精度值进行评分卡融合，得到目标评分卡模型，基于所述目标评分卡模型可输出所述目标对象的目标评分值。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于多评分卡融合的目标对象评价方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于多评分卡融合的目标对象评价方法的步骤。
CN202011617815.6A 2020-12-31 2020-12-31 基于多评分卡融合的目标对象评价方法及其相关设备 Active CN112766649B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011617815.6A CN112766649B (zh) 2020-12-31 2020-12-31 基于多评分卡融合的目标对象评价方法及其相关设备
PCT/CN2021/090154 WO2022142001A1 (zh) 2020-12-31 2021-04-27 基于多评分卡融合的目标对象评价方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011617815.6A CN112766649B (zh) 2020-12-31 2020-12-31 基于多评分卡融合的目标对象评价方法及其相关设备

Publications (2)

Publication Number Publication Date
CN112766649A true CN112766649A (zh) 2021-05-07
CN112766649B CN112766649B (zh) 2022-03-15

Family

ID=75697835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011617815.6A Active CN112766649B (zh) 2020-12-31 2020-12-31 基于多评分卡融合的目标对象评价方法及其相关设备

Country Status (2)

Country Link
CN (1) CN112766649B (zh)
WO (1) WO2022142001A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130623A (zh) * 2022-09-01 2022-09-30 浪潮通信信息系统有限公司 数据融合方法、装置、电子设备及存储介质
CN115564069A (zh) * 2022-09-28 2023-01-03 北京百度网讯科技有限公司 服务器维保策略的确定方法、模型的生成方法及其装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997419A (zh) * 2022-07-18 2022-09-02 北京芯盾时代科技有限公司 评分卡模型的更新方法、装置、电子设备及存储介质
CN115860275B (zh) * 2023-02-23 2023-05-05 深圳市南湖勘测技术有限公司 一种用于土地整备利益统筹测绘采集方法及系统
CN116364223B (zh) * 2023-05-26 2023-08-29 平安科技（深圳）有限公司 特征处理方法、装置、计算机设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101610516A (zh) * 2009-08-04 2009-12-23 华为技术有限公司 自组织网络中的入侵检测方法与设备
CN106408423A (zh) * 2016-11-25 2017-02-15 泰康保险集团股份有限公司 用于风险评估的方法、系统及构建风险评估系统的方法
CN107193804A (zh) * 2017-06-02 2017-09-22 河海大学 一种面向词和组合词的垃圾短信文本特征选择方法
US20170300546A1 (en) * 2014-12-23 2017-10-19 Huawei Technologies Co., Ltd. Method and Apparatus for Data Processing in Data Modeling
CN108416495A (zh) * 2018-01-30 2018-08-17 杭州排列科技有限公司 基于机器学习的评分卡模型建立方法及装置
CN108665120A (zh) * 2017-03-27 2018-10-16 阿里巴巴集团控股有限公司 打分模型的建立、用户信用的评估方法及装置
CN109272402A (zh) * 2018-10-08 2019-01-25 深圳市牛鼎丰科技有限公司 评分卡的建模方法、装置、计算机设备及存储介质
CN109598095A (zh) * 2019-01-07 2019-04-09 平安科技（深圳）有限公司 评分卡模型的建立方法、装置、计算机设备和存储介质
US20200118036A1 (en) * 2018-10-15 2020-04-16 Oracle International Corporation Automatic feature subset selection using feature ranking and scalable automatic search
CN111191889A (zh) * 2019-12-17 2020-05-22 东方微银科技(北京)有限公司 一种基于逻辑回归与投票式模型集成的评分卡开发方法
CN111915428A (zh) * 2020-08-10 2020-11-10 杭州排列科技有限公司 一种基于决策树特征融合的评分卡模型优化方法
CN111931848A (zh) * 2020-08-10 2020-11-13 中国平安人寿保险股份有限公司 数据的特征提取方法、装置、计算机设备及存储介质
CN112037005A (zh) * 2020-07-21 2020-12-04 苏宁金融科技(南京)有限公司 一种评分卡的融合方法、装置、计算机设备及存储介质
CN112035549A (zh) * 2020-08-31 2020-12-04 中国平安人寿保险股份有限公司 数据挖掘方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200225222A1 (en) * 2017-09-28 2020-07-16 Immunarray Ltd. Sle disease management

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101610516A (zh) * 2009-08-04 2009-12-23 华为技术有限公司 自组织网络中的入侵检测方法与设备
US20170300546A1 (en) * 2014-12-23 2017-10-19 Huawei Technologies Co., Ltd. Method and Apparatus for Data Processing in Data Modeling
CN106408423A (zh) * 2016-11-25 2017-02-15 泰康保险集团股份有限公司 用于风险评估的方法、系统及构建风险评估系统的方法
CN108665120A (zh) * 2017-03-27 2018-10-16 阿里巴巴集团控股有限公司 打分模型的建立、用户信用的评估方法及装置
CN107193804A (zh) * 2017-06-02 2017-09-22 河海大学 一种面向词和组合词的垃圾短信文本特征选择方法
CN108416495A (zh) * 2018-01-30 2018-08-17 杭州排列科技有限公司 基于机器学习的评分卡模型建立方法及装置
CN109272402A (zh) * 2018-10-08 2019-01-25 深圳市牛鼎丰科技有限公司 评分卡的建模方法、装置、计算机设备及存储介质
US20200118036A1 (en) * 2018-10-15 2020-04-16 Oracle International Corporation Automatic feature subset selection using feature ranking and scalable automatic search
CN109598095A (zh) * 2019-01-07 2019-04-09 平安科技（深圳）有限公司 评分卡模型的建立方法、装置、计算机设备和存储介质
CN111191889A (zh) * 2019-12-17 2020-05-22 东方微银科技(北京)有限公司 一种基于逻辑回归与投票式模型集成的评分卡开发方法
CN112037005A (zh) * 2020-07-21 2020-12-04 苏宁金融科技(南京)有限公司 一种评分卡的融合方法、装置、计算机设备及存储介质
CN111915428A (zh) * 2020-08-10 2020-11-10 杭州排列科技有限公司 一种基于决策树特征融合的评分卡模型优化方法
CN111931848A (zh) * 2020-08-10 2020-11-13 中国平安人寿保险股份有限公司 数据的特征提取方法、装置、计算机设备及存储介质
CN112035549A (zh) * 2020-08-31 2020-12-04 中国平安人寿保险股份有限公司 数据挖掘方法、装置、计算机设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
国强强 等: ""基于LightGBM 算法的移动用户信用评分研究"", 《计算机技术与发展》 *
徐昊: ""基于集成学习融合模型的信用评分模型改进与应用"", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *
陈秋华 等: ""变量筛选后的个人信贷评分模型与统计学习"", 《数理统计与管理》 *
黎玉华: ""信用评分卡模型的建立"", 《科技信息》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130623A (zh) * 2022-09-01 2022-09-30 浪潮通信信息系统有限公司 数据融合方法、装置、电子设备及存储介质
CN115564069A (zh) * 2022-09-28 2023-01-03 北京百度网讯科技有限公司 服务器维保策略的确定方法、模型的生成方法及其装置

Also Published As

Publication number Publication date
WO2022142001A1 (zh) 2022-07-07
CN112766649B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN112766649B (zh) 基于多评分卡融合的目标对象评价方法及其相关设备
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN112101172B (zh) 基于权重嫁接的模型融合的人脸识别方法及相关设备
WO2021120677A1 (zh) 一种仓储模型训练方法、装置、计算机设备及存储介质
CN112287244A (zh) 基于联邦学习的产品推荐方法、装置、计算机设备及介质
WO2022126961A1 (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
CN112035549B (zh) 数据挖掘方法、装置、计算机设备及存储介质
CN112633973A (zh) 一种商品推荐方法及其相关设备
CN112785005B (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN112308173B (zh) 基于多评价因子融合的多目标对象评价方法及其相关设备
CN113643103A (zh) 基于用户相似度的产品推荐方法、装置、设备及存储介质
WO2022156084A1 (zh) 基于人脸和交互文本的目标对象行为预测方法及相关设备
CN112328909B (zh) 信息推荐方法、装置、计算机设备及介质
CN112863683A (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN113836131A (zh) 一种大数据清洗方法、装置、计算机设备及存储介质
CN112508075A (zh) 基于横向联邦的dbscan聚类方法、及其相关设备
CN112529477A (zh) 信用评估变量筛选方法、装置、计算机设备及存储介质
CN112328657A (zh) 特征衍生方法、装置、计算机设备及介质
CN112182118A (zh) 基于多数据源的目标对象预测方法及其相关设备
CN112990583B (zh) 一种数据预测模型的入模特征确定方法及设备
CN110969261B (zh) 基于加密算法的模型构建方法及相关设备
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN111641517A (zh) 同质网络的社群划分方法、装置、计算机设备和存储介质
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质

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