CN117010697A - 一种基于人工智能的可视化企业风险评估方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的可视化企业风险评估方法，方法包括：数据采集、信息融合、企业风险评估和风险可视化。本发明属于企业风险管理技术领域，具体是指一种基于人工智能的可视化企业风险评估方法，本方案采用信息融合算法，将不同信息源的数据进行整合和综合分析，得到更全面、及时和准确的企业风险数据；采用易理解的弱分类器通过加权方式组合成强分类器，使分类错误的企业风险样本得到更多关注，有效地降低企业风险分类错误率且有助于解释企业风险评估模型的内部原理；采用低耦合企业风险可视化结构，将可视化结构分割为不同的模块，明确定义每个模块的接口和交互方式，将代码分离为不同的层级，灵活面对动态企业风险变化。

Description

一种基于人工智能的可视化企业风险评估方法

技术领域

本发明属于企业风险管理技术领域，具体是一种基于人工智能的可视化企业风险评估方法。

背景技术

可视化企业风险评估是一种利用数据可视化技术展示企业风险信息的方法，通过可视化的方式，将企业的风险数据以图表、图像的形式呈现，使企业管理者能够直观地理解和分析企业面临的风险情况，及时采取预防和应对措施，降低风险带来的损失，同时可视化结果有助于各部门、利益相关者共享风险信息，进行及时沟通合作。但是现有的企业风险评估，存在来自各个信息源的企业风险数据存在局限性，主观性强且偏见严重，导致企业风险评估可靠性低的技术问题；存在企业风险评估模型解释性不足导致利益相关者对企业风险评估结果的可信度下降，对企业的内部沟通和信息共享造成影响的技术问题；存在企业风险可视化交互缺乏动态性和实时性，导致企业应对动态风险变化时决策效率低，容易造成较大经济损失的技术问题。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的可视化企业风险评估方法，针对来自各个信息源的企业风险数据存在局限性，主观性强且偏见严重，导致企业风险评估可靠性低的技术问题，采用信息融合算法，将不同信息源的数据进行整合和综合分析，得到更全面、及时和准确的企业风险数据；针对企业风险评估模型解释性不足导致利益相关者对企业风险评估结果的可信度下降，对企业的内部沟通和信息共享造成影响的技术问题，采用易理解的弱分类器通过加权方式组合成强分类器，使分类错误的企业风险样本得到更多关注，有效地降低企业风险分类错误率且有助于解释企业风险评估模型的内部原理；针对企业风险可视化缺乏动态性和实时性，导致企业应对动态风险变化时决策效率低，容易造成较大经济损失的技术问题，采用低耦合企业风险可视化结构，将可视化结构分割为不同的模块，明确定义每个模块的接口和交互方式，将代码分离为不同的层级，灵活面对动态风险变化。

本发明采取的技术方案如下：本发明提供的一种基于人工智能的可视化企业风险评估方法，该方法包括以下步骤：

步骤S1：数据采集，具体为收集企业风险数据，进行数据整合和清洗；

步骤S2：信息融合，具体为基于概率对不同来源的企业风险数据进行融合处理，构建基于信息融合的企业风险框架，通过计算信任函数，使用融合算法对企业风险数据进行有效监控，并构建关联规则挖掘模型，使用企业风险挖掘算法得到强关联规则挖掘结果；

步骤S3：企业风险评估，具体为通过弱分类器进行迭代操作调整企业风险样本权重，使得分类错误的企业风险样本得到更多关注，计算最终的预测函数，通过对多个弱分类器进行加权组合，得到更准确的预测结果，从而提高整体的分类效果；

步骤S4：风险可视化，具体为采用低耦合企业风险可视化结构，将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块，将代码分离为不同的层级，使结构具有模块化设计和松耦合性，面对动态风险变化，更容易地对不同层级进行修改、更新和扩展。

进一步地，在步骤S1中，所述数据采集，包括以下步骤：

步骤S11：数据采集，收集来自内部各种部门和系统的信息，包括财务报表、运营数据和员工反馈，收集外部数据，包括市场研究、行业报告和政府统计数据；

步骤S12：数据整合与清洗，对收集到的企业风险数据进行整合和清洗，确保数据的完整性和准确性，包括删除重复数据、填充缺失数据和纠正错误数据。

进一步地，在步骤S2中，所述信息融合，包括以下步骤：

步骤S21：构建基于信息融合的企业风险框架，定义U是由多个企业风险元素组成的非空集合，U={U₁，U₂，…，U_n}；

步骤S22：设定信任结构，定义基本概率分布函数为m函数，评估企业风险元素集合之间的信任程度和信任关系的可靠性，所用公式如下：

；

式中，集合A是集合U的子集，m（A）是集合A的基本概率分布函数；

步骤S23：计算信任函数，所用公式如下：

；

式中，Bel（A）是集合A的信任函数，代表集合U的可靠性函数，集合B是集合A的子集，m（B）是集合B的基本概率分布函数；

步骤S24：计算信息融合算法，将企业风险数据进行融合，所用公式如下：

；

式中，，且集合C是属于集合U的非空子集，m₁和m₂分别表示集合U的两个可靠性函数的信任度，/>是不同企业风险元素之间的冲突程度；

步骤S25：信息挖掘，根据企业风险特点和问题需求，对融合的企业风险数据集进行特征工程处理，使融合的企业风险数据集适用于关联规则挖掘，构建关联规则挖掘模型，将企业风险挖掘算法应用于关联规则挖掘模型进行建模分析，得到强关联规则挖掘结果，减少扫描次数，从而提高效率，所述企业风险挖掘算法包括以下步骤：

步骤S251：输入企业风险数据集生成数值矩阵D，设置最小支持度和置信度阈值，扫描所有数据生成L₁，L₁是频繁项的集合；

步骤S252：将频繁项的集合L₁的所有频繁项进行成对组合，生成2项集在水平方向上连接，得到矩阵E；

步骤S253：若E不是空集，根据最小支持度进行剪枝，得到频繁k项集合L_k；

步骤S254：若L_k不是空集，将集合L_k转换为矩阵，并将矩阵L与矩阵L_k水平连接，展开矩阵L，从频繁k项集合L_k生成候选k+1项集合E_k+1；

步骤S255：若E_k+1不是空集，转步骤S253根据最小支持度进行剪枝，继续迭代；否则输出矩阵L，矩阵L中包括所有频繁项集合和相应的支持度；

步骤S256：将矩阵L进行分块，分别处理不同项号的频繁项集合，逐层搜索后置规则项集，计算参数，所述参数包括支持度、最小支持度、置信度、最小置信度和提升度，得到强关联规则挖掘结果，减少不必要的连接、比较、去重和剪枝步骤。

进一步地，在步骤S3中，所述企业风险评估，包括以下步骤：

步骤S31：初始化训练数据点的权重分布，为每一个数据点赋予一个初始权重；

步骤S32：进行迭代操作，通过弱分类器进行T次迭代操作，每次迭代操作都生成一个弱假设h：企业风险特征x趋向于企业风险类别y，每次迭代后，根据最终强分类的误差曲线来选择T值；

步骤S33：计算分类错误率，所用公式如下：

；

式中，h_t是第t次迭代时的弱假设，i是企业风险样本，h_t（x_i）≠y_i表示i样本的企业风险特征x不趋向于企业风险类别y，D_t是第t次迭代时训练数据点的权重分布，ξ_t是分类错误率，表示在第t次迭代时，被弱假设h_t错误分类的企业风险样本的权重总和，当ξ_t＞0.5时，迭代终止；

步骤S34：更新训练数据点的权重分布，根据分类错误率，为每个弱假设重新分配权重，使得第t+1次迭代时被错误分类的企业风险样本的权重变大，被正确分类的企业风险样本的权重变小，使得下一次迭代时，被错误分类的企业风险样本更受关注，提高整体的分类效果，计算第t+1次迭代时训练数据点的权重分布，所用公式如下：

；

式中，，β_t是企业风险特征x趋向于企业风险类别y时的权重系数，h_t（x_i）＝y_i表示i样本的企业风险特征x趋向于企业风险类别y，Z_t是归一化常数，D_t+1（i）是第t+1次迭代时训练数据点的权重分布；

步骤S35：计算最终预测函数，所有带权重的弱假设被组合成最终的预测函数，所用公式如下：

；

式中，h_fin（x）是最终的预测函数，argmax表示在一组值中找到使函数取得最大值的参数，T是迭代次数；

步骤S36：实际应用，将最终的预测函数应用于训练评估模型，得到当前企业的风险评估结果。

进一步地，在步骤S4中，所述风险可视化，包括以下步骤：

步骤S41：采用低耦合企业风险可视化结构，将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块，明确定义每个模块的接口和交互方式，将代码分离为不同的层级；

步骤S42：查询企业风险可视化信息，当接收到数据库查询请求时，在模型内部解释查询请求，在数据库中运行查询操作并监控查询执行情况；

步骤S43：导出可视化结果，企业风险评估模型接收到查询结果之后，将查询结果编码为JSON格式发回视图；

步骤S44：交互式可视化展示，视图接收到编码为JSON格式的查询结果之后，根据数据特点和用户需求将查询结果进行交互式可视化展示。

采用上述方案本发明取得的有益成果如下：

（1）针对来自各个信息源的企业风险数据存在局限性，主观性强且偏见严重，导致企业风险评估可靠性低的技术问题，采用信息融合算法，将不同信息源的数据进行整合和综合分析，得到更全面、及时和准确的企业风险数据；

（2）针对企业风险评估模型解释性不足导致利益相关者对企业风险评估结果的可信度下降，对企业的内部沟通和信息共享造成影响的技术问题，采用易理解的弱分类器通过加权方式组合成强分类器，使分类错误的企业风险样本得到纠正，有助于解释企业风险评估模型的内部原理，显著提高企业风险分类的准确性；

（3）针对企业风险可视化交互缺乏动态性和实时性，导致企业应对动态风险变化时决策效率低，容易造成较大经济损失的技术问题，采用低耦合企业风险可视化结构，将应用程序分割为不同的模块，明确定义每个模块的接口和交互方式，将代码分离为不同的层级，使结构具有模块化设计和松耦合性，面对动态风险变化，更容易地对不同层级进行修改、更新和扩展，降低维护成本，提高企业风险处理的灵活性和效率。

附图说明

图1为本发明提供的一种基于人工智能的可视化企业风险评估方法的流程示意图；

图2为步骤S2的流程示意图；

图3为步骤S3的流程示意图；

图4为步骤S4的流程示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

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，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例一，参阅图1，本发明提供的一种基于人工智能的可视化企业风险评估方法，该方法包括以下步骤：

步骤S1：数据采集，具体为收集内部和外部企业风险数据，进行数据整合和清洗；

步骤S2：信息融合，具体为处理来自不同来源的数据，基于概率进行融合处理，构建基于信息融合的企业风险框架，通过计算信任函数，使用融合算法对企业风险数据进行有效监控，并构建关联规则挖掘模型，使用企业风险挖掘算法得到强关联规则挖掘结果，提高模型可靠性；

步骤S3：企业风险评估，具体为通过弱分类器进行迭代操作调整企业风险样本权重，使得分类错误的企业风险样本得到更多关注，计算最终的预测函数，通过对多个弱分类器进行加权组合，得到更准确的预测结果，从而提高整体的分类效果；

步骤S4：风险可视化，具体为采用低耦合企业风险可视化结构，将可视化结构分割为数据库、企业风险评估模型、视图和控制器，将代码分离为不同的层级，使结构具有模块化设计和松耦合性，面对动态风险变化，更容易地对不同层级进行修改、更新和扩展。

实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，所述数据采集，包括以下步骤：

步骤S11：数据采集，收集来自内部各种部门和系统的信息，包括财务报表、运营数据和员工反馈，收集外部数据，包括市场研究、行业报告和政府统计数据；

步骤S12：数据整合与清洗，对收集到的企业风险数据进行整合和清洗，确保数据的完整性和准确性，包括删除重复数据、填充缺失数据和纠正错误数据。

实施例三，参阅图1和图2，该实施例基于上述实施例，在步骤S2中，所述信息融合，包括以下步骤：

步骤S21：构建基于信息融合的企业风险框架，定义U是由多个企业风险元素组成的非空集合，U={U₁，U₂，…，U_n}；

步骤S22：设定信任结构，定义基本概率分布函数为m函数，在信任结构中，根据企业风险元素集合之间的信任程度和信任关系，将m函数应用于信任传递的计算中，通过计算和分析信任传递过程中的基本概率分布函数，评估企业风险元素集合之间的信任程度和信任关系的可靠性，这有助于了解信任结构的特征和性能，并支持信任管理和决策的过程，所述定义基本概率分布函数为m函数，所用公式如下：

；

式中，集合A是集合U的子集，m（A）是集合A的基本概率分布函数；

步骤S23：计算信任函数，所用公式如下：

；

式中，Bel（A）是集合A的信任函数，代表集合U的可靠性函数，集合B是集合A的子集，m（B）是集合B的基本概率分布函数；

步骤S24：计算信息融合算法，将企业风险数据进行融合，所用公式如下：

；

式中，，且集合C是属于集合U的非空子集，m₁和m₂分别表示集合U的两个可靠性函数的信任度，/>是不同企业风险元素之间的冲突程度；

步骤S25：信息挖掘，根据企业风险特点和问题需求，对融合的企业风险数据集进行特征工程处理，使融合的企业风险数据集适用于关联规则挖掘，构建关联规则挖掘模型，将企业风险挖掘算法应用于关联规则挖掘模型进行建模分析，得到强关联规则挖掘结果，减少扫描次数，从而提高效率，所述企业风险挖掘算法包括以下步骤：

步骤S251：输入企业风险数据集生成数值矩阵D，设置最小支持度和置信度阈值，扫描所有数据生成L₁，L₁是频繁项的集合；

步骤S252：将频繁项的集合L₁的所有频繁项进行成对组合，生成2项集在水平方向上连接，得到矩阵E；

步骤S253：若E不是空集，根据最小支持度进行剪枝，得到频繁k项集合L_k；

步骤S254：若L_k不是空集，将集合L_k转换为矩阵，并将矩阵L与矩阵L_k水平连接，展开矩阵L，从频繁k项集合L_k生成候选k+1项集合E_k+1；

步骤S255：若E_k+1不是空集，转步骤S253根据最小支持度进行剪枝，继续迭代；否则输出矩阵L，矩阵L中包括所有频繁项集合和相应的支持度；

步骤S256：将矩阵L进行分块，分别处理不同项号的频繁项集合，逐层搜索后置规则项集，计算参数，所述参数包括支持度、最小支持度、置信度、最小置信度和提升度，得到强关联规则挖掘结果，减少不必要的连接、比较、去重和剪枝步骤。

通过执行上述操作，采用信息融合算法，将不同信息源的数据进行整合和综合分析，得到更全面、及时和准确的企业风险数据，解决了各个信息源的企业风险数据存在局限性，主观性强且偏见严重，导致企业风险评估可靠性低的技术问题。

实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，所述企业风险评估，包括以下步骤：

步骤S31：初始化训练数据点的权重分布，数据点是用于企业风险评估的单个数据样本，每个数据点都包含着一组特征和属性，衡量和分析企业的风险状况，为每一个数据点赋予一个初始权重，这个权重表示该数据点在风险评估中的重要程度；

步骤S32：进行迭代操作，通过弱分类器进行T次迭代操作，每次迭代操作都生成一个弱假设h：企业风险特征x趋向于企业风险类别y，每次迭代后，根据最终强分类的误差曲线来选择T值；

步骤S33：计算分类错误率，所用公式如下：

；

式中，h_t是第t次迭代时的弱假设，i是企业风险样本，h_t（x_i）≠y_i表示i样本的企业风险特征x不趋向于企业风险类别y，D_t是第t次迭代时训练数据点的权重分布，ξ_t是分类错误率，表示在第t次迭代时，被弱假设h_t错误分类的企业风险样本的权重总和，当ξ_t＞0.5时，迭代终止；

步骤S34：更新训练数据点的权重分布，根据分类错误率，为每个弱假设重新分配权重，使得第t+1次迭代时被错误分类的企业风险样本的权重变大，被正确分类的企业风险样本的权重变小，使得下一次迭代时，被错误分类的企业风险样本更受关注，提高整体的分类效果，计算第t+1次迭代时训练数据点的权重分布，所用公式如下：

；

式中，，β_t是企业风险特征x趋向于企业风险类别y时的权重系数，h_t（x_i）＝y_i表示i样本的企业风险特征x趋向于企业风险类别y，Z_t是归一化常数，D_t+1（i）是第t+1次迭代时训练数据点的权重分布；

步骤S35：计算最终预测函数，所有带权重的弱假设被组合成最终的预测函数，所用公式如下：

；

式中，h_fin（x）是最终的预测函数，argmax表示在一组值中找到使函数取得最大值的参数，T是迭代次数；

步骤S36：实际应用，将最终的预测函数应用于训练评估模型，得到当前企业的风险评估结果。

通过执行上述操作，采用易理解的弱分类器通过加权方式组合成强分类器，使分类错误的企业风险样本得到更多关注，有助于解释模型内部原理，显著提高企业风险分类的准确性，解决了风险评估模型解释性不足导致利益相关者对风险评估结果的可信度下降，对企业的内部沟通和信息共享造成影响的技术问题。

实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，所述风险可视化，包括以下步骤：

步骤S41：采用低耦合企业风险可视化结构，将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块，企业风险评估模型是与数据库交互的关键模块，视图负责用户界面的展示和交互，控制器协调企业风险评估模型和视图之间的传递和处理，还负责将查询脚本和结果保存到JSON缓冲区中，明确定义每个模块的接口和交互方式，将代码分离为不同的层级确保用户交互式地创建查询并直观地探索结果，具有更高的生产力和多级用户层级结构，有效应对企业风险动态变化；

步骤S42：查询企业风险可视化信息，当接收到数据库查询请求时，在模型内部解释查询请求，在数据库中运行查询操作并监控查询执行情况；

步骤S43：导出可视化结果，企业风险评估模型接收到查询结果之后，将查询结果编码为JSON格式发回视图，视图界面支持多种类型的查询条件输入格式和输出渲染选项，将数据库处理和图表绘制分离使数据和视图之间的耦合程度降低，提高结构灵活性；

步骤S44：交互式可视化展示，视图接收到编码为JSON格式的查询结果之后，根据数据特点和用户需求将查询结果进行交互式可视化展示。

通过执行上述操作，采用低耦合企业风险可视化结构，将可视化结构分割为不同的模块，明确定义每个模块的接口和交互方式，将代码分离为不同的层级，使结构具有模块化设计和松耦合性，面对动态风险变化，更容易地对不同层级进行修改、更新和扩展，降低维护成本，提高企业风险处理的灵活性和效率，解决了企业风险可视化交互缺乏动态性和实时性，导致企业应对动态风险变化时处理效率低的技术问题。

需要说明的是，在本文中，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。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (5)

1.一种基于人工智能的可视化企业风险评估方法，其特征在于：该方法包括以下步骤：

步骤S1：数据采集，具体为收集企业风险数据，进行数据整合和清洗；

步骤S2：信息融合，具体为基于概率对不同来源的企业风险数据进行融合处理，并构建关联规则挖掘模型，使用企业风险挖掘算法得到强关联规则挖掘结果；

步骤S3：企业风险评估，具体为通过弱分类器进行迭代操作调整企业风险样本权重，计算最终的预测函数，得到当前企业的风险评估结果；

步骤S4：风险可视化，具体为采用低耦合企业风险可视化结构，将可视化结构分割为数据库、企业风险评估模型、视图和控制器四个模块，明确定义每个模块的接口和交互方式，将代码分离为不同的层级。

2.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法，其特征在于：在步骤S2中，所述信息融合，包括以下步骤：

步骤S21：构建基于信息融合的企业风险框架，定义U是由多个企业风险元素组成的非空集合，U={U₁，U₂，…，U_n}；

步骤S22：设定信任结构，定义基本概率分布函数为m函数，所用公式如下：

；

式中，集合A是集合U的子集，m（A）是集合A的基本概率分布函数；

步骤S23：计算信任函数，所用公式如下：

；

式中，Bel（A）是集合A的信任函数，代表集合U的可靠性函数，集合B是集合A的子集，m（B）是集合B的基本概率分布函数；

步骤S24：计算信息融合算法，将企业风险数据进行融合，所用公式如下：

；

式中，，且集合C是属于集合U的非空子集，m₁和m₂分别表示集合U的两个可靠性函数的信任度，/>是不同企业风险元素之间的冲突程度；

步骤S25：信息挖掘，根据企业风险特点和问题需求，对融合的企业风险数据集进行特征工程处理，构建关联规则挖掘模型，将企业风险挖掘算法应用于关联规则挖掘模型进行建模分析，得到强关联规则挖掘结果，所述企业风险挖掘算法，包括以下步骤：

步骤S251：输入企业风险数据集生成数值矩阵D，设置最小支持度和置信度阈值，扫描所有数据生成L₁，L₁是频繁项的集合；

步骤S252：将频繁项的集合L₁的所有频繁项进行成对组合，生成2项集在水平方向上连接，得到矩阵E；

步骤S253：若E不是空集，根据最小支持度进行剪枝，得到频繁k项集合L_k；

步骤S254：若L_k不是空集，将集合L_k转换为矩阵，并将矩阵L与矩阵L_k水平连接，展开矩阵L，从频繁k项集合L_k生成候选k+1项集合E_k+1；

步骤S255：若E_k+1不是空集，转步骤S253根据最小支持度进行剪枝，继续迭代；否则输出矩阵L，矩阵L中包括所有频繁项集合和相应的支持度；

步骤S256：将矩阵L进行分块，分别处理不同项号的频繁项集合，逐层搜索后置规则项集，计算参数，所述参数包括支持度、最小支持度、置信度、最小置信度和提升度，得到强关联规则挖掘结果。

3.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法，其特征在于：在步骤S3中，所述企业风险评估，包括以下步骤：

步骤S31：初始化训练数据点的权重分布，为每一个数据点赋予一个初始权重；

步骤S32：进行迭代操作，通过弱分类器进行T次迭代操作，每次迭代操作都生成一个弱假设h：企业风险特征x趋向于企业风险类别y；

步骤S33：计算分类错误率，所用公式如下：

；

式中，h_t是第t次迭代时的弱假设，i是企业风险样本，h_t（x_i）≠y_i表示i样本的企业风险特征x不趋向于企业风险类别y，D_t是第t次迭代时训练数据点的权重分布，ξ_t是分类错误率，表示在第t次迭代时，被弱假设h_t错误分类的企业风险样本的权重总和，当ξ_t＞0.5时，迭代终止；

步骤S34：更新训练数据点的权重分布，根据分类错误率，为每个弱假设重新分配权重，计算第t+1次迭代时训练数据点的权重分布，所用公式如下：

；

式中，，β_t是企业风险特征x趋向于企业风险类别y时的权重系数，h_t（x_i）＝y_i表示i样本的企业风险特征x趋向于企业风险类别y，Z_t是归一化常数，D_t+1（i）是第t+1次迭代时训练数据点的权重分布；

步骤S35：计算最终预测函数，所有带权重的弱假设被组合成最终的预测函数，所用公式如下：

；

式中，h_fin（x）是最终的预测函数，argmax表示在一组值中找到使函数取得最大值的参数，T是迭代次数；

步骤S36：实际应用，将最终的预测函数应用于训练企业风险评估模型，得到当前企业的风险评估结果。

4.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法，其特征在于：在步骤S4中，所述风险可视化，包括以下步骤：

步骤S41：采用低耦合企业风险可视化结构，将可视化结构分割为数据库、企业风险评估模型、视图和控制器，明确定义每个模块的接口和交互方式，将代码分离为不同的层级；

步骤S42：查询企业风险可视化信息，当接收到数据库查询请求时，在模型内部解释查询请求，在数据库中运行查询操作并监控查询执行情况；

步骤S43：导出可视化结果，企业风险评估模型接收到查询结果之后，将查询结果编码为JSON格式发回视图；

步骤S44：交互式可视化展示，视图接收到编码为JSON格式的查询结果之后，根据数据特点和用户需求将查询结果进行交互式可视化展示。

5.根据权利要求1所述的一种基于人工智能的可视化企业风险评估方法，其特征在于：在步骤S1中，所述数据采集，包括以下步骤：

步骤S11：数据采集，收集来自内部各种部门和系统的信息，包括财务报表、运营数据和员工反馈，收集外部数据，包括市场研究、行业报告和政府统计数据；

步骤S12：数据整合与清洗，对收集到的企业风险数据进行整合和清洗。