CN113506175A - 中小企业风险预警模型优化方法、装置、设备和存储介质 - Google Patents
中小企业风险预警模型优化方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113506175A CN113506175A CN202110952875.1A CN202110952875A CN113506175A CN 113506175 A CN113506175 A CN 113506175A CN 202110952875 A CN202110952875 A CN 202110952875A CN 113506175 A CN113506175 A CN 113506175A
- Authority
- CN
- China
- Prior art keywords
- early warning
- warning model
- model
- training data
- data
- 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
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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Abstract
本申请涉及一种中小企业风险预警模型优化方法、装置、设备和存储介质。其中,预先训练预警模型后,利用其对线上数据进行预测,并对预测结果标签进行监控;当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。如此,当模型准确率随着时间的推移而衰减,进而导致预测效果不佳时,可以引入新的数据重新训练预警模型,也即对预警模型进行优化,保证模型具有足够的预测准确率。
Description
技术领域
本申请涉及企业风险预警技术领域,尤其涉及一种中小企业风险预警模型优化方法、装置、设备和存储介质。
背景技术
随着经济的发展,商业银行多元化、差异化的信贷产品越来越多,在方便广大企业获取更好的融资外,也对银行的风控手段产生了重大的冲击。因此,如何找到有效、及时的风险预警方法是商业银行迫在眉睫需要解决的痛点。
目前,可以通过机器学习建立模型,来预测企业在未来是否可能发生逾期风险,从而给银行提供预警,使得银行可以及时进行干预。不过,在模型的实际应用过程中,随着时间的推移,因为标签值(用于训练模型)口径发生变化而失准、部分风险企业因为提前干预后暂时消除风险等原因,会引起模型准确率衰减,导致预测效果不佳。
发明内容
本申请提供一种中小企业风险预警模型优化方法、装置、设备和存储介质,以解决模型准确率随着时间的推移而衰减,进而导致预测效果不佳的问题。
本申请的上述目的是通过以下技术方案实现的:
第一方面,本申请实施例提供一种中小企业风险预警模型优化方法,其包括:
利用预先训练的预警模型对线上数据进行预测;
对所述预警模型的预测标签进行监控;
当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。
可选的,所述预设的重训练条件包括:真实的逾期标签与模型预测的逾期标签的F1值小于预设值。
可选的,所述预设的重训练条件还包括以下项中的至少一项:
训练数据的维度变化大于设定值、统计口径的变更和新算法的引进。
可选的,预警模型的训练过程包括对训练数据进行特征工程,进行的特征工程具体包括:
删除含有未来数据的标签列;
删除缺失值超过预设百分比的标签列以及删除唯一值的标签列;
对枚举类型数据进行因子化编码;
对于有业务含义的变量衍生,按枚举变量对数值型变量进行统计,形成新的有业务含义的全局统计型变量;对于无业务含义的变量衍生,对数值型变量进行数学衍生、标准化和归一化衍生。
可选的,所述预警模型的训练过程包括:
利用机器学习算法对训练数据进行训练,初步得到预警模型;
采用未来的真实数据对初步得到的预警模型进行验证;验证指标为查全率和查准率;
基于验证结果,采用随机搜索算法在超参数空间内进行最优参数搜索;
采用预设选择算法对模型重要参数进行解析,并选取其中最重要的N维作为最终的入模变量;其中,N为超参数,N的取值范围为正整数;
基于选取的N维变量,利用机器学习算法进行重新训练,得到最终的预警模型。
可选的,在预警模型的训练过程中,增强表征逾期的训练数据的权重,并对不同时点的训练数据设置不同的权重;其中,训练数据的时点越接近当前时间则权重越高。
可选的,预先训练预警模型以及重新训练预警模型时,采用相同的机器学习算法。
第二方面,本申请实施例还提供一种中小企业风险预警模型优化装置,其包括:
预测模块,用于利用预先训练的预警模型对线上数据进行预测;
监控模块,用于对所述预警模型的预测标签进行监控;
重训练模块,用于当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。
第三方面,本申请实施例还提供一种智能设备,其包括:
存储器和与所述存储器相连接的处理器;
所述存储器用于存储程序,所述程序至少用于实现如第一方面任一项所述的中小企业风险预警模型优化方法;
所述处理器用于调用并执行所述存储器存储的所述程序。
第四方面,本申请实施例还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器调用并执行时,实现如第一方面任一项所述的中小企业风险预警模型优化方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的技术方案中,预先训练预警模型后,利用其对线上数据进行预测,并对预测结果标签进行监控;当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。如此,当模型准确率随着时间的推移而衰减,进而导致预测效果不佳时,可以引入新的数据重新训练预警模型,也即对预警模型进行优化,保证模型具有足够的预测准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种中小企业风险预警模型优化方法的流程示意图;
图2为本申请实施例提供的一种中小企业风险预警模型优化装置的结构示意图;
图3为本申请实施例提供的一种智能设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了解决上述问题,本申请提供一种中小企业风险预警模型优化方法、装置、设备和存储介质,以在标签值口径发生变化而失准、部分风险企业因为提前干预后暂时消除风险等情况下,保证预警模型具有足够的准确率。具体实现方案通过以下实施例进行详细说明。
实施例
参照图1,图1为本申请实施例提供的一种中小企业风险预警模型优化方法的流程示意图,如图1所示,该方法至少包括以下步骤:
S101:利用预先训练的预警模型对线上数据进行预测;
S102:对所述预警模型的预测标签进行监控;
S103:当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。
其中,线上数据也即待预测的企业的相关数据,将其输入预警模型进而得到预测结果,预测结果包括模型输出的预测标签,用于表示对应企业是否存在逾期风险。随着时间的推移,可能出现标签值口径发生变化而失准、部分风险企业因为提前干预后暂时消除风险等情况,此时预警模型预测结果的准确率会下降,也即可能会导致发生误判。因此,本实施例中持续对预测标签进行监控,并判断是否满足重训练条件,如果满足重训练条件,也即当模型准确率随着时间的推移而衰减,进而导致预测效果不佳时,则在原有的训练数据的基础上引入新的训练数据,并可以按照原有的模型训练方法重新训练预警模型,从而保证线上实际应用的预警模型具有足够的准确率。
进一步的,预设的重训练条件,也即判断模型是否具有足够的准确率的条件可以包括:真实的逾期标签与模型预测的逾期标签的F1值小于预设值。其中,F1值=正确率*召回率*2/(正确率+召回率);正确率(Precision)也即模型预测结果中的预测正确的结果数量占全部预测结果数量的比值,也称为查准率;召回率(Recall)也即模型预测结果中的预测正确的结果数量占全部样本数据数量的比值,也称为查全率。F1值越大表明预测结果越准确。F1值小于预设值即表明预测结果的准确率不能满足需求,因此可以触发重新训练的步骤。
在此基础上,预设的重训练条件还可以包括以下项中的至少一项:训练数据的维度变化大于设定值、统计口径的变更和新算法的引进。也即,除了模型准确率不能满足需求以外,用户也可以主动对模型进行重训练,包括数据维度调整后、变更训练数据统计口径后以及引进新的算法后,都可以重新训练预警模型。
此外,一些实施例中,预警模型的训练过程包括对训练数据进行特征工程,进行的特征工程具体包括:
删除含有未来数据的标签列;其中,如不进行未来数据检测,会造成数据泄露,其是导致线上模型效果差的重要原因,因此需要删除含有未来数据的标签列;
删除缺失值超过预设百分比的标签列以及删除唯一值的标签列;其中,缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断,唯一值是指数据值唯一;缺失值过高(超过预设百分比)的标签列以及唯一值的标签列会导致变量稳定性很差,如果不进行控制(删除)会导致模型的稳定较差;一些实施例中,预设百分比可以是90%,当然也可以是其他值,该值越大则变量稳定性越好,但最终训练数据的量越少;
对枚举类型数据进行因子化编码;枚举类型数据也即离散的数据集合,在算法处理过程中,最常用的是将这些枚举类型数据转为数值型来处理,一般是利用One-hot(onehot)编码方法将其转为数值型,或者也可以采用因子化编码,其目的相同,本实施例采用因子化编码方法;
对于有业务含义的变量衍生,按枚举变量对数值型变量进行统计,形成新的有业务含义的全局统计型变量;对于无业务含义的变量衍生,对数值型变量进行数学衍生、标准化和归一化衍生;其中,数学衍生包括取对数(log)和三角函数(sin、cos)。
如此,通过特征过程对数据进行预处理后,后续算法模型能够减少受到噪声的干扰,能够更好的找出趋势,也即提高模型的效果。
之后,即可通过算法进行训练,一些实施例中,具体训练过程包括:
利用机器学习算法对训练数据进行训练,初步得到预警模型;
采用未来的真实数据对初步得到的预警模型进行验证;验证指标为查全率和查准率;
基于验证结果,采用随机搜索算法在超参数空间内进行最优参数搜索;
采用预设选择算法对模型重要参数进行解析,并选取其中最重要的N维作为最终的入模变量;其中,N为超参数,N的取值范围为正整数;
基于选取的N维变量,利用机器学习算法进行重新训练,得到最终的预警模型。
其中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给算法选择一组最优超参数,以提高学习的性能和效果。通过预设选择算法,可以对每一个样本中的每一个特征变量,计算出其重要性值,达到解释的效果。
通过上述方法,即可得到所需的预警模型。并且,需要说明的是,无论是预警模型的预先训练还是重新训练,均可以采用上述模型训练方法,并且优选为采用相同的算法。
此外,训练过程中,可以增强表征逾期(也即出现风险)的训练数据的权重,并对不同时点的训练数据设置不同的权重;其中训练数据的时点越接近当前时间则权重越高;如此,通过设置不同的权重,可以更好的对训练数据进行利用,提高模型效果。
本申请的实施例提供的上述技术方案中,预先训练预警模型后,利用其对线上数据进行预测,并对预测结果标签进行监控;当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。如此,当模型准确率随着时间的推移而衰减,进而导致预测效果不佳时,可以引入新的数据重新训练预警模型,也即对预警模型进行优化,保证模型具有足够的预测准确率。
此外,基于相同的发明构思,对应于上述的中小企业风险预警模型优化方法,本申请实施例还提供一种中小企业风险预警模型优化装置。
参照图2,图2为本申请实施例提供的一种中小企业风险预警模型优化装置的结构示意图。如图2所示,该装置至少包括以下结构:
预测模块21,用于利用预先训练的预警模型对线上数据进行预测;
监控模块22,用于对所述预警模型的预测标签进行监控;
重训练模块23,用于当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。
其中,上述各功能模块所执行步骤的具体实现过程可以参照前述方法实施例,此处不再赘述。
此外,本申请实施例还提供一种智能设备,用于执行上述的中小企业风险预警模型优化方法。该智能设备可以是PC等。如图3所示,该智能设备至少包括:
存储器31和与所述存储器31相连接的处理器32;
存储器31用于存储程序,所述程序至少用于实现前述实施例所述的中小企业风险预警模型优化方法;
处理器32用于调用并执行存储器31存储的所述程序。
其中,上述程序所执行方法的具体实现过程可以参照前述方法实施例,此处不再赘述。
此外,本申请实施例还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器调用并执行时,用于实现前述实施例所述的中小企业风险预警模型优化方法。
通过上述技术方案,当模型准确率随着时间的推移而衰减,进而导致预测效果不佳时,可以引入新的数据重新训练预警模型,也即对预警模型进行优化,保证模型具有足够的预测准确率。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种中小企业风险预警模型优化方法,其特征在于,包括:
利用预先训练的预警模型对线上数据进行预测;
对所述预警模型的预测标签进行监控;
当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。
2.根据权利要求1所述的方法,其特征在于,所述预设的重训练条件包括:真实的逾期标签与模型预测的逾期标签的F1值小于预设值。
3.根据权利要求2所述的方法,其特征在于,所述预设的重训练条件还包括以下项中的至少一项:
训练数据的维度变化大于设定值、统计口径的变更和新算法的引进。
4.根据权利要求1所述的方法,其特征在于,预警模型的训练过程包括对训练数据进行特征工程,进行的特征工程具体包括:
删除含有未来数据的标签列;
删除缺失值超过预设百分比的标签列以及删除唯一值的标签列;
对枚举类型数据进行因子化编码;
对于有业务含义的变量衍生,按枚举变量对数值型变量进行统计,形成新的有业务含义的全局统计型变量;对于无业务含义的变量衍生,对数值型变量进行数学衍生、标准化和归一化衍生。
5.根据权利要求4所述的方法,其特征在于,所述预警模型的训练过程包括:
利用机器学习算法对训练数据进行训练,初步得到预警模型;
采用未来的真实数据对初步得到的预警模型进行验证;验证指标为查全率和查准率;
基于验证结果,采用随机搜索算法在超参数空间内进行最优参数搜索;
采用预设选择算法对模型重要参数进行解析,并选取其中最重要的N维作为最终的入模变量;其中,N为超参数,N的取值范围为正整数;
基于选取的N维变量,利用机器学习算法进行重新训练,得到最终的预警模型。
6.根据权利要求5所述的方法,其特征在于,在预警模型的训练过程中,增强表征逾期的训练数据的权重,并对不同时点的训练数据设置不同的权重;其中,训练数据的时点越接近当前时间则权重越高。
7.根据权利要求1所述的方法,其特征在于,预先训练预警模型以及重新训练预警模型时,采用相同的机器学习算法。
8.一种中小企业风险预警模型优化装置,其特征在于,包括:
预测模块,用于利用预先训练的预警模型对线上数据进行预测;
监控模块,用于对所述预警模型的预测标签进行监控;
重训练模块,用于当确定满足预设的重训练条件时,在原有的训练数据的基础上引入新的训练数据并重新训练预警模型。
9.一种智能设备,其特征在于,包括:
存储器和与所述存储器相连接的处理器;
所述存储器用于存储程序,所述程序至少用于实现如权利要求1-7任一项所述的中小企业风险预警模型优化方法;
所述处理器用于调用并执行所述存储器存储的所述程序。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器调用并执行时,实现如权利要求1-7任一项所述的中小企业风险预警模型优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952875.1A CN113506175A (zh) | 2021-08-19 | 2021-08-19 | 中小企业风险预警模型优化方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952875.1A CN113506175A (zh) | 2021-08-19 | 2021-08-19 | 中小企业风险预警模型优化方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113506175A true CN113506175A (zh) | 2021-10-15 |
Family
ID=78015906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110952875.1A Pending CN113506175A (zh) | 2021-08-19 | 2021-08-19 | 中小企业风险预警模型优化方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358647A (zh) * | 2022-10-24 | 2022-11-18 | 齐鲁云商数字科技股份有限公司 | 基于大数据的氢能产业链风险监测系统及监测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109685644A (zh) * | 2018-12-17 | 2019-04-26 | 深圳市数丰科技有限公司 | 一种基于迁移学习的客户信用评分方法及装置 |
EP3483797A1 (en) * | 2017-11-13 | 2019-05-15 | Accenture Global Solutions Limited | Training, validating, and monitoring artificial intelligence and machine learning models |
CN109934341A (zh) * | 2017-11-13 | 2019-06-25 | 埃森哲环球解决方案有限公司 | 训练、验证以及监测人工智能和机器学习的模型 |
CN110175170A (zh) * | 2019-04-19 | 2019-08-27 | 平安科技(深圳)有限公司 | 数据优化处理方法、装置、计算机设备及存储介质 |
CN112419045A (zh) * | 2020-11-25 | 2021-02-26 | 苏州大学 | 基于过采样与随机森林的不平衡信贷用户分类方法 |
CN112632179A (zh) * | 2019-09-24 | 2021-04-09 | 北京国双科技有限公司 | 模型构建方法、装置、存储介质及设备 |
US20210116895A1 (en) * | 2019-10-18 | 2021-04-22 | Applied Materials, Inc. | Characterizing and monitoring electrical components of manufacturing equipment |
CN112767172A (zh) * | 2021-01-22 | 2021-05-07 | 上海析鲸信息科技有限公司 | 一种基于机器学习模型算法的债券违约预警识别技术 |
-
2021
- 2021-08-19 CN CN202110952875.1A patent/CN113506175A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
EP3483797A1 (en) * | 2017-11-13 | 2019-05-15 | Accenture Global Solutions Limited | Training, validating, and monitoring artificial intelligence and machine learning models |
CN109934341A (zh) * | 2017-11-13 | 2019-06-25 | 埃森哲环球解决方案有限公司 | 训练、验证以及监测人工智能和机器学习的模型 |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
CN109685644A (zh) * | 2018-12-17 | 2019-04-26 | 深圳市数丰科技有限公司 | 一种基于迁移学习的客户信用评分方法及装置 |
CN110175170A (zh) * | 2019-04-19 | 2019-08-27 | 平安科技(深圳)有限公司 | 数据优化处理方法、装置、计算机设备及存储介质 |
CN112632179A (zh) * | 2019-09-24 | 2021-04-09 | 北京国双科技有限公司 | 模型构建方法、装置、存储介质及设备 |
US20210116895A1 (en) * | 2019-10-18 | 2021-04-22 | Applied Materials, Inc. | Characterizing and monitoring electrical components of manufacturing equipment |
CN112419045A (zh) * | 2020-11-25 | 2021-02-26 | 苏州大学 | 基于过采样与随机森林的不平衡信贷用户分类方法 |
CN112767172A (zh) * | 2021-01-22 | 2021-05-07 | 上海析鲸信息科技有限公司 | 一种基于机器学习模型算法的债券违约预警识别技术 |
Non-Patent Citations (4)
Title |
---|
朱彬,等: "人工神经网络在企业信用评级系统设计中的应用研究", 微型电脑应用, vol. 20, no. 08, pages 9 - 12 * |
李战怀,等: "人工智能赋能的数据管理、分析与系统专刊前言", 软件学报, vol. 05, no. 03, pages 5 - 7 * |
王忠生,等: "金融控股公司风险预警模型构建及其应用", 系统工程, vol. 10, no. 12, pages 7 - 12 * |
蒋灿: "基于深度学习的量化金融数据分析系统与原型实现", 万方数据-学位论文, no. 01, pages 1 - 66 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358647A (zh) * | 2022-10-24 | 2022-11-18 | 齐鲁云商数字科技股份有限公司 | 基于大数据的氢能产业链风险监测系统及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020208444A1 (en) | Fairness improvement through reinforcement learning | |
CN110751557B (zh) | 一种基于序列模型的异常资金交易行为分析方法及系统 | |
CN110472802B (zh) | 一种数据特征评估方法、装置及设备 | |
CN113988458A (zh) | 反洗钱风险监控方法和模型训练方法、装置、设备及介质 | |
CN112561320A (zh) | 机构风险预测模型的训练方法、机构风险预测方法和装置 | |
CN113807469A (zh) | 一种多能源用户价值预测方法、装置、存储介质和设备 | |
CN113506175A (zh) | 中小企业风险预警模型优化方法、装置、设备和存储介质 | |
CN114239949A (zh) | 一种基于双阶段注意力机制的网站访问量预测方法及系统 | |
Shen et al. | A stock market prediction system based on high-level fuzzy Petri nets | |
CN116485552A (zh) | 一种基金投资风控方法、装置、介质及终端 | |
CN115860924A (zh) | 供应链金融信用风险预警方法及相关设备 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
KR102284440B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
CA3177037A1 (en) | Forecasting based on bernoulli uncertainty characterization | |
CN113191599A (zh) | 一种基于支持向量机的管道风险等级评价方法及装置 | |
CN116383771B (zh) | 基于变分自编码模型的网络异常入侵检测方法和系统 | |
CN117493140B (zh) | 一种针对深度学习模型的评测系统 | |
KR102311108B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
US20240037425A1 (en) | Integrated machine learning and rules platform for improved accuracy and root cause analysis | |
Yi | Research on enterprise financial economics early warning based on machine learning method | |
CN114048925A (zh) | 一种电网综合运营预警方法、装置及终端设备 | |
CN116485537A (zh) | 金融产品的选择方法、装置、处理器以及电子设备 | |
CN114493697A (zh) | 农产品价格预测的方法、系统、存储介质及电子设备 | |
CN117540857A (zh) | 一种单据量的预测方法、设备及介质 | |
Li | Study on Early Warning on the Financial Risk of Project Venture Capital through a Neural Network Model |
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 |