TW201804401A - 評價模型的建模方法及裝置 - Google Patents
評價模型的建模方法及裝置 Download PDFInfo
- Publication number
- TW201804401A TW201804401A TW106118913A TW106118913A TW201804401A TW 201804401 A TW201804401 A TW 201804401A TW 106118913 A TW106118913 A TW 106118913A TW 106118913 A TW106118913 A TW 106118913A TW 201804401 A TW201804401 A TW 201804401A
- Authority
- TW
- Taiwan
- Prior art keywords
- modeling
- evaluation model
- model
- samples
- scene
- Prior art date
Links
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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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"
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Stored Programmes (AREA)
- Traffic Control Systems (AREA)
Abstract
本申請提供一種評價模型的建模方法及裝置,其中的方法包括:從多個建模場景中分別採集建模樣本;其中,所述建模樣本包括場景變量和若干基礎變量;所述場景變量指示所述建模樣本所屬的建模場景;基於從所述多個建模場景中採集到的建模樣本創建建模樣本集合;基於所述建模樣本集合中的建模樣本訓練評價模型;其中,所述評價模型為相加模型;所述評價模型由所述若干基礎變量構成的模型部分和所述場景變量構成的模型部分相加得到。本申請可以降低建模的複雜度,使得基於模型得到的評分能夠適用於不同的業務場景。
Description
本申請係關於電腦應用領域,尤其關於一種評價模型的建模方法及裝置。
業務風險模型,是一種用於對業務風險進行評估的評價模型。在相關技術中,通常可以在某一業務場景下採集大量業務資料作為建模樣本,並基於建模樣本中是否包含預先定義的業務風險事件對建模樣本進行分類,然後透過統計模型或者機器學習的方法對建模樣本進行訓練,來構建業務風險模型。
當業務風險模型構建完成後,可以將目標業務資料輸入該業務風險模型進行風險評估,來預測這種業務風險事件的機率,然後將機率轉換為對應的業務評分,來反映業務的風險等級。
然而,在實際應用中,當業務場景較多時,透過在單一場景下構建的業務風險模型進行業務風險評估得到的業務評分,通常不具有普適性,無法適用於多種不同的業務場景。
本申請提出一種評價模型的建模方法,該方法包括:從多個建模場景中分別採集建模樣本;其中,所述建模樣本包括場景變量和若干基礎變量;所述場景變量指示所述建模樣本所屬的建模場景;基於從所述多個建模場景中採集到的建模樣本創建建模樣本集合;基於所述建模樣本集合中的建模樣本訓練評價模型;其中,所述評價模型為相加模型;所述評價模型由所述若干基礎變量構成的模型部分和所述場景變量構成的模型部分相加得到。
可選的,所述方法還包括:基於各建模場景的建模樣本的數量,為各建模場景分別定義訓練樣本權重;其中,所述訓練樣本權重用於均衡各建模場景的建模樣本的數量差異;所述建模場景的建模樣本的數量越低,則定義該場景的訓練樣本權重越高。
可選的,採集目標資料,所述目標資料包括所述場景變量和若干基礎變量;將所述目標資料輸入所述評價模型,得到該目標資料的評分;其中,所述評分由所述若干基礎變量在所述評價模型中對應的評分,和所述場景變量在所述評價模型中對應的評分相加得到。
可選的,所述方法還包括:如果需要針對所述目標資料在其所屬的建模場景中進
行評分,輸出所述若干基礎變量在所述評價模型中對應的評分,和所述場景變量在所述評價模型中對應的評分之和,作為適用於所述目標資料其所屬的建模場景的評分。
可選的,所述方法還包括:如果需要針對所述目標資料在所述多個建模場景中進行評分,輸出所述若干基礎變量在所述評價模型中對應的評分,作為適用於所述多個建模場景的評分。
本申請還提出一種評價模型的建模裝置,其特徵在於,該裝置包括:採集模組,用於從多個建模場景中分別採集建模樣本;其中,所述建模樣本包括場景變量和若干基礎變量;所述場景變量指示所述建模樣本所屬的建模場景;創建模組,用於基於從所述多個建模場景中採集到的建模樣本創建建模樣本集合;訓練模組,用於基於所述建模樣本集合中的建模樣本訓練評價模型;其中,所述評價模型為相加模型;所述評價模型由所述若干基礎變量構成的模型部分和所述場景變量構成的模型部分相加得到。
可選的,所述創建模組進一步用於:基於各建模場景的建模樣本的數量,為各建模場景分別定義訓練樣本權重;其中,所述訓練樣本權重用於均衡各建模場景的建模樣本的數量差異;所述建模場景的建模樣本的數量越低,則定義該場景的訓練樣本權重越高。
可選的,所述採集模組進一步用於:
採集目標資料,所述目標資料包括所述場景變量和若干基礎變量;所述裝置還包括:評分模組,用於將所述目標資料輸入所述評價模型,得到該目標資料的評分;其中,所述評分由所述若干基礎變量在所述評價模型中對應的評分,和所述場景變量在所述評價模型中對應的評分相加得到。
可選的,所述評分模組進一步用於:如果需要針對所述目標資料在其所屬的建模場景中進行評分,輸出所述若干基礎變量在所述評價模型中對應的評分,和所述場景變量在所述評價模型中對應的評分之和,作為適用於所述目標資料其所屬的建模場景的評分。
可選的,所述評分模組進一步用於:如果需要針對所述目標資料在所述多個建模場景中進行評分,輸出所述若干基礎變量在所述評價模型中對應的評分,作為適用於所述多個建模場景的評分。
本申請中,透過從多個建模場景中分別採集建模樣本,基於從多個業務場景中採集到的建模樣本創建建模樣本集合,並為該建模樣本集合中的建模樣本,在原有的若干基礎變量的基礎上,分別定義用於指示所述建模樣本所屬的建模場景的場景變量,然後基於建模樣本集合中的建模樣本來訓練評價模型。由於在本申請中融合了多個業務場景的建模樣本進行建模,並在建模樣本中引入了場景變量對建模樣本進行場景區分,使得最終訓練出的評價模型
具有普適性,透過該評價模型能夠得到適用多個不同的業務場景的評分。
30‧‧‧評價模型的建模裝置
301‧‧‧採集模組
302‧‧‧創建模組
303‧‧‧訓練模組
304‧‧‧評分模組
圖1是本申請一實施例提供的一種評價模型的建模方法的流程圖;圖2是本申請一實施例提供的一種融合多個業務場景的建模樣本訓練評價模型的流程圖;圖3是本申請一實施例提供的一種評價模型的建模裝置的邏輯框圖;圖4是本申請一實施例提供的承載所述一種評價模型的建模裝置的服務端的硬體結構圖。
在實際應用中,在針對多個不同的業務場景進行業務風險評估時,通常希望訓練出的評價模型能夠適用不同的業務場景;例如,當上述業務為信貸業務時,此時上述評價模型通常可以是信用風險評價模型,上述多個不同的業務場景可以包括信用卡、房貸、車貸等不同的信貸業務場景,在這種情況下,通常希望上述信用風險評價模型進行業務風險評估得到的信用評分能夠具有普適性,在貸款,信用卡,消費金融等不同場景都有較好的表現。
在相關技術中,為解決上述問題,通常存在以下的建
模方式:
第一種,可以基於在單一的業務場景中採集到的建模樣本,訓練評價風險模型,然後將透過該評價模型得到的評分直接應用到其它業務場景。在這種方案中,由於在訓練模型時沒有考慮其它業務場景,因此使用在單一場景下訓練出的業務風險模型得到的業務評分,不具有普適性,無法保證在其它業務場景下的使用性能。
第二種,可以基於在多個不同的業務場景中採集到的建模樣本,分別訓練評價模型,並使用在各業務場景下訓練出的評價模型分別進行業務風險評估得到評分,然後將各評價模型得到的評分進行加權平均。在這種方案中,雖然最終加權平均得到的評分,在針對多個業務場景的普適性上有所改善,但在這種方案中,由於需要針對每一個業務場景分別訓練模型,業務場景越多,模型的訓練和管理就會越複雜。
第三種,依然可以基於在多個不同的業務場景中採集到的建模樣本,分別訓練評價模型,然後針對在各業務場景中訓練出的評價模型進行模型合併。在這種方案中,仍然需要針對每一個業務場景分別訓練模型,需要同時維護多個模型,業務場景越多,模型的訓練和管理就越複雜。而且,如果模型的訓練採用的建模演算法較複雜,比如採用神經網路演算法等複雜演算法訓練模型,在對在各業務場景中訓練出的評價模型進行模型合併時,並不能進行簡單的合併,實現起來較複雜。
有鑑於此,本申請提出一種評價模型的建模方法:透過從多個建模場景中分別採集建模樣本,基於從多個場景中採集到的建模樣本創建建模樣本集合,並為該建模樣本集合中的建模樣本,在原有的若干基礎變量的基礎上,分別定義用於指示所述建模樣本所屬的建模場景的場景變量,然後基於建模樣本集合中的建模樣本來訓練評價模型。
由於在本申請中融合了多個場景的建模樣本進行建模,並在建模樣本中引入了場景變量對建模樣本進行場景區分,使得最終訓練出的評價模型具有普適性,透過該評價模型能夠得到適用多個不同的業務場景的評分。
下面透過具體實施例並結合具體的應用場景對本申請進行描述。
請參考圖1,圖1是本申請一實施例提供的一種評價模型的建模方法,應用於服務端,所述方法執行以下步驟:步驟101,從多個建模場景中分別採集建模樣本;其中,所述建模樣本包括場景變量和若干基礎變量;所述場景變量指示所述建模樣本所屬的建模場景;步驟102,基於從所述多個建模場景中採集到的建模樣本創建建模樣本集合;步驟103,基於所述建模樣本集合中的建模樣本訓練評價模型;其中,所述評價模型為相加模型;所述評價模型由所述若干基礎變量構成的模型部分和所述場景變量構成的模型部分相加得到。
上述服務端,可以包括用於訓練評價模型的伺服器、伺服器集群或者基於伺服器集群構建的雲平台。
上述評價模型,是對採集到的大量的建模樣本進行訓練後,構建出一個相加模型。以對用戶進行風險評估為例,上述評價模型,可以針對從特定的業務場景中採集到的目標資料進行風險評估,得到用戶評分,該用戶評分用於衡量未來一段時間內發生業務風險的機率。
例如,當上述業務為信貸業務時,上述評價模型可以是信用風險評價模型,該信用風險評價模型可以針對從特定的信貸業務場景中採集到的業務樣本進行信用風險評估,得到相應的信用評分,該信用評分用於衡量一個用戶在未來一段時間內發生信用違約的機率。
在實際應用中,上述建模樣本以及目標資料,均可以包含若干對業務風險影響度較高的基礎變量。
例如,當上述評價模型為信用風險評價模型時,上述建模樣本以及目標資料中包含的基礎變量可以是對信用風險造成影響的變量;比如,可以包括用戶的收入消費資料、歷史信貸資料、用戶的就業狀況等等對信用風險造成影響的變量。
其中,上述建模樣本以及上述目標資料中所包含的基礎變量的選擇,在本例中不進行特別限定,本領域技術人員在將本申請記載的技術方案付諸實施時,可以參考相關技術中的記載。
在本例中,上述服務端在訓練評價模型時,可以從多
個業務場景中分別採集建模樣本,並在從多個不同的業務場景中採集到的建模樣本所包含的原有的基礎變量的基礎上,進一步引入一個場景變量。
其中,上述多個業務場景中的每一個業務場景,均可以稱之為一個建模場景。引入的上述場景變量,用於指示該建模樣本所屬的建模場景(即所屬的業務場景)。
在為各業務場景中的建模樣本引入場景變量後,可以融合多個不同的業務場景中的建模樣本進行建模。透過這種方式,不僅可以降低建模的複雜度,而且使得訓練出的業務風險模型具有普適性,能夠適用多個不同的業務場景。
請參見圖2,圖2為本例示出的一種融合多個不同的業務場景中的建模樣本進行建模的示意圖。
針對各業務場景分別定義風險事件;其中,為不同的業務場景定義的風險事件可以互相獨立,並且互不相同;例如,當上述業務為信貸業務時,通常可以將信用違約事件,定義為信用卡、房貸、車貸等不同的信貸業務場景中的風險事件,而不同的信貸場景中對信用違約事件的定義可以互不相同;比如,在信用卡的信貸場景中,可以將超過30天的延期還款事件定義為信用違約事件,在房貸的信貸場景中,可以將超過90天的延期還款事件定義為信用違約事件,而在車貸的信用場景中,可以將超過60天的延期還款事件定義為信用違約事件。即各信貸場景可以分別獨立的定義信用違約事件。
當各業務場景分別定義了風險事件後,此時上述服務端可以在各業務場景中分別採集建模樣本,並透過判定採集到的建模樣本中是否包含為各業務場景分別定義的風險事件,將從各業務場景中採集到的建模樣本分類為好樣本和壞樣本。
由於在建模樣本只包含好樣本,或者壞樣本時,最終訓練出的評價模型通常不具備較佳的準確度,因此透過將採集到建模樣本分類為好樣本和壞樣本,可以豐富建模樣本,使得建模樣本中好樣本和壞樣本分別佔據一定的比例,可以提升最終訓練出的評價模型在進行業務風險評估時的準確度。
在本例中,上述服務端在從各業務場景中採集到一定數量的建模樣本後,可以不再針對各業務場景分別進行建模,而是對從各業務場景中採集到的建模樣本進行融合進行模型訓練。
請參見圖2,上述服務端在針對從各業務場景中採集到的建模樣本進行融合時,可以對從各業務場景中採集到的建模樣本進行匯總,生成一個建模樣本集合。在該建模樣本集合中,包含從各業務場景中採集到的建模樣本。
上述建模樣本集合中的建模樣本,包含用於指示建模場景的場景變量。
在示出的一種實施方式中,上述場景變量,具體可以是一個量化後的標籤取值;例如,可以為每一個業務場景定義一個對應的標籤取值,比如如圖2所示,可以為來自
場景一的建模樣本定義取值標籤1,用於指示該建模樣本來自於場景一,為來自場景二的建模樣本定義取值標籤2,用於指示該建模樣本來自於場景二,以次類推。
其中,上述服務端在針對建模樣本定義場景變量時,在一種實現方式中,可以在從各業務場景中採集到一個建模樣本時,就立即為該建模樣本定義場景變量;在另一種實現方式中,也可以在基於從各業務場景中採集到的場景變量,生成上述建模樣本集合之後,再針對該建模樣本集合中的每一個建模樣本分別定義場景變量,在本例中不進行具體限定。
在示出的一種實施方式中,由於上述服務端在從各業務場景採集到的建模樣本的數量可能互不相同,因此在這種情況下,上述服務端可以基於從各業務場景中採集到的建模樣本的數量,為各業務場景分別定義一個訓練樣本權重。
上述訓練樣本權重,用於均衡各業務場景的建模樣本的數量差異。在實際應用中,該訓練樣本權重可以是一個能夠表徵在訓練評價模型時,需要使用各業務場景的建模樣本的數量的權重值。
其中,該權重值可以與各業務場景中的建模樣本的實際數量負相關,即建模樣本的數量越低,定義的訓練樣本權重越高。
在這種情況下,針對某一建模樣本數量較多的業務場景,可以設置較低的訓練樣本權重。相似的,針對某一建
模樣本數量較少的業務場景,可以設置較高的訓練樣本權重。
其中,上述訓練樣本權重具體的取值大小,可以基於實際的需求,由用戶進行手動配置;例如,當融合多個業務場景中的建模樣本進行統一建模時,如果用戶希望訓練出的模型更加偏重於某一指定的業務場景,可以手動將該業務場景的訓練樣本權重設置為一個較高的取值。
在本例中,上述服務端從上述建模樣本集合中讀取建模樣本,訓練評價模型的過程中,為了均衡各業務場景的建模樣本在數量上的差異:在一種實現方式中,對於訓練樣本權重較高的業務場景,服務端可以優先使用該業務場景中的建模樣本參與建模。而對於訓練樣本權重較低的業務場景,服務端可以基於該權重具體的取值大小,適當的控制該業務場景中的建模樣本的使用數量,從而使得訓練樣本權重較高的業務場景和訓練樣本權重較低的業務場景,參與建模的建模樣本的數量趨於一致。
在另一種實現方式中,對於訓練樣本權重較高的業務場景,服務端可以預設使用該業務場景中所有的建模樣本參與建模。而對於訓練樣本權重較低的業務場景,服務端可以基於該權重具體的取值大小,適當的對該業務場景中的建模樣本進行重複使用,從而使得訓練樣本權重較高的業務場景和訓練樣本權重較低的業務場景,參與建模的建模樣本的數量趨於一致。
透過這種方式,可以最大程度消除在訓練業務風險模型時,由於各業務場景的建模樣本數量存在差異,而對最終訓練出的業務風險模型的業務評估時的準確度造成的影響。
在本例中,當上述服務端基於從各業務場景中採集到的建模樣本生成上述建模樣本集合,並為建模樣本集合中的建模樣本分別定義了場景變量後,此時上述服務端可以基於預設的建模算法,將建模樣本集合中的建模樣本作為訓練樣本進行訓練,來構建評價模型。
其中,需要說明的是,在實際應用中,上述評價模型通常為相加模型(Additive Model);因此,上述服務端在訓練上述評價模型時,所採用的建模方法可以是相加模型的建模方法,例如,評分卡、回歸分析等建模方法。
其中,本實施例的相加模型,通常可以表示成由基礎變量構成的模型部分和所述場景變量構成的模型部分相加得到。上述目標資料輸入本實施例的相加模型後,每一個變量將分別得到一個對應的評分,因此透過本實施例的相加模型得到的評分,則通常由構成該目標資料的各基礎變量在評價模型中對應的評分之和,與該目標資料場景變量在該評價模型中對應的評分相加得到。
請參見圖2,假設上述評價模型訓練得到的評分為f(X,P),其中X表示上述基礎變量,P表示上述場景變量,基礎變量X在模型中對應的評分為f1(X),場景變量P在模型中對應的評分為f2(P),那麼f(X,P)可以表
示為f1(X)+f2(P)。
上述服務端在訓練上述業務風險模型時所採用的建模工具,可以是諸如SAS(Statistical Analysis System,統計分析系統)以及SPSS(Statistical Product and Service Solutions,統計產品與服務解決方案)等較為成熟的資料挖掘工具。
另外,在本例中,訓練上述評價模型的具體過程,以及上述評價模型在訓練完成後,對該評價模型的性能評估的過程,在本例中不再進行更詳述,本領域技術人員在將本申請中披露的技術方案付諸實施時,可以參考相關技術中的記載。
在本例中,當上述評價模型訓練完成後,上述服務端可以實時的採集目標資料,利用該評價模型進行風險評估。
其中,上述服務端在利用訓練完成的評價模型進行風險評估時,所採集的目標資料,可以是來自於任意一個業務場景的業務資料,而且該業務樣本所包含的變量的種類需要與建模樣本保持一致,即該目標業務也可以包含場景變量,以及與上述建模樣本相同的若干基礎變量。
當上述服務端從任一業務場景中採集到目標資料後,可以將該目標資料輸入至上述評價模型,利用上述評價模型對該目標資料進行風險評估,得到對應的評分。其中,得到的該評分,可以是由該目標資料中的若干基礎變量在評價模型中對應的評分,和該目標資料中的場景變量在評
價模型中對應的評分相加得到。
在本例中,由於上述評價模型是融合各業務場景的建模樣本訓練而成,而且透過為各建模樣本定義場景變量,對各建模樣本所屬的業務場景進行了區分,充分考慮了不同的業務場景,因此透過該評價模型進行業務風險評估,能夠得到適用於各種不同的業務場景的評分。
在示出的一種實施方式中,如果需要針對該目標資料在上述多個建模場景中進行評分,此時需要確保上述評價模型輸出的評分,能夠適用該多個建模場景。在這種情況下,可以將目標資料中包含的各基礎變量,在評價模型中對應的評分相加後輸出。此時輸出的該評分,為普適性的評分,將能夠適用於上述多個不同的建模場景,可以用於衡量與該目標資料對應的用戶在多個不同的業務場景中發生業務風險事件的機率。後續在不同的業務場景下均可以使用輸出的該評分,來進行相應的業務流程。
例如,當上述評分為信用評分時,在各個不同的信貸業務場景下,均可以使用輸出的該信用評分與預設閾值進行比較,來判定與該信用評分對應的用戶是否為風險用戶,以決策是否向該用戶放貸。
可見,透過將各業務場景的建模樣本進行融合建模,不僅可以減低建模的複雜度,不再需要針對不同的業務場景分別建模,而且透過在建模樣本中引入業務變量,還可以使得訓練出的評價模型能夠適用不同的業務場景,使用該業評價模型進行業務風險評估得到的評分,可以反映出
同一個用戶在不同的業務場景下的業務風險水平。
在本例中,如前所述,透過融合各業務場景的建模樣本訓練出的上述模型,能夠得到適用於多個不同的業務場景的具有普適性的評分。
然而,由於各業務場景定義的業務風險事件可能互不相同,因此透過融合各業務場景的建模樣本訓練得到的上述評價模型,在進行業務風險評估得到的能夠適用於多個業務場景的評分,則通常為一個相對值,並不能精確的反映同一用戶在某一具體的業務場景中的業務風險水平。
而在實際應用中,在融合各業務場景的建模樣本訓練出的上述評價模型,除了需要能夠適用不同的業務場景,通常還需要上述評價模型能夠具備,在某一具體業務場景下進行精確的業務風險評估的特性。
例如,以上述業務為信貸業務,上述評價模型為信用風險評價模型為例,假設包含信用卡、房貸、車貸等三個信貸業務場景,透過融合這三個信貸業務場景中的建模樣本訓練出上述評價模型,並基於該評價模型對採集到的目標資料進行訓練得到用戶的信用評分後,此時該信用評分為一個適用于信用卡、房貸、車貸等不同的信貸業務場景等信貸業務場景的相對值,並不能精確的反映同一用戶在某一具體的信貸業務場景中的風險水平。
而在實際應用中,通常還會具有在信用卡、房貸、車貸等信貸業務場景中的任意一個場景中對用戶的信用水平進行精確評估的需求;比如,需要在信用卡、房貸、車貸
等信貸業務場景中的任意一個場景中,對用戶的信用壞率進行精確統計;在這種情況下,通常需要上述信用風險評價模型能夠具有在某一具體場景下對用戶的信用水平進行精確評估,得到對應於該場景的信用評分的功能。
在示出的一種實施方式中,為了使融合各業務場景的建模樣本訓練出的上述評價模型,能夠兼容針對某一具體業務場景進行精確的業務風險評估的特性,如果需要針對該目標資料在其所屬的建模場景中進行評分,此時通常不要求上述評價模型輸出的評分具有普適性,僅適用該目標資料其所屬的建模場景即可。在這種情況下,可以將標資料中包含的各基礎變量在評價模型中對應的評分,以及目標資料中包含的場景變量在評價模型中對應的評分相加,然後將二者的評分之和輸出。此時輸出的該評分之和,為與該目標資料對應的場景評分,該評分將不具有普適性,僅能夠適用於該目標資料實際所屬的業務場景。
可見,透過這種方式,當需要針對某一個目標資料,在其實際所屬的業務場景進行評分時,透過將基礎變量部分對應的評分和場景變量對應的評分之和輸出,就可以得到適用於該目標資料實際所屬的業務場景的評分,而不必針對該業務場景進行單獨建模。
以下結合信用風險評估的應用場景對以上實施例中的技術方案進行詳細描述。
在本例中,上述業務可以是信貸業務;上述評價模型
可以是信用風險評價模型;上述評分則可以是上述信用風險評價模型對採集到的用戶的業務樣本進行信用風險評估後得到的信用評分。上述多個業務場景可以包括信用卡、房貸、車貸等三個信貸業務場景。
在初始狀態下,以上各信貸業務場景可以分別定義信用違約事件;例如,在信用卡的信貸場景中,可以將超過30天的延期還款事件定義為信用違約事件,在房貸的信貸場景中,可以將超過90天的延期還款事件定義為信用違約事件,而在車貸的信用場景中,可以將超過60天的延期還款事件定義為信用違約事件。即各信貸場景可以分別獨立的定義信用違約事件。
服務端在從以上各信貸業務場景中採集建模樣本時,可以基於以上各場景定義的信用違約事件,將採集到的建模樣本劃分為好樣本和壞樣本。其中,該建模樣本中可以包含收入消費資料、歷史信貸資料、用戶的就業狀況等等對信用風險造成影響的變量。
當建模樣本採集完成後,服務端可以將從各信貸業務場景中採集到的建模樣本進行匯總,生成一個建模樣本集合,並在建模樣本原有的若干基礎變量的基礎上,為該建模樣本集合中的建模樣本分別定義一個場景變量,用於指示建模樣本所屬的信貸業務場景。
服務端在訓練信用風險評價模型時,可以融合從各個場景中採集到的建模樣本,基於上述建模樣本集合中包含的所有建模樣本訓練信用風險評價模型。
其中,在訓練模型時,可以適用諸如SAS以及SPSS等較為成熟的資料挖掘工具,採用諸如評分卡、回歸分析等相加模型的建模方法來完成,具體的模型訓練過程在本例中不再進行詳述。
當上述信用風險評價模型訓練完成後,服務端可以在信用卡、房貸、車貸等任一信貸業務場景中採集目標資料,採集到的目標資料仍然可以包括若干基礎變量和場景變量。在採集到目標資料後,可以使用該信用風險評價模型對該目標資料行信用評分。由於上述信用風險評價模型是融合信用卡、房貸、車貸等信貸業務場景中的建模樣本訓練而成,因此此時使用該模型能夠得到適用信用卡、房貸、車貸等多個信貸業務場景的信用評分。
一方面,假設該目標資料為來自信用卡這一具體的信貸業務場景中的業務資料,如果需要針對該目標資料,在信用卡這一具體的信貸業務場景中進行信用評分時,上述服務端可以將該目標資料中的若干基礎變量,在模型中對應的信用評分,以及該目標資料中的場景變量在模型中的評分相加,然後將二者的評分之和向與所述目標資料對應的用戶輸出,作為該用戶的信用評分。此時輸出的該評分將不具有普適性,僅能適用於信用卡這一信貸業務場景。
另一方面,如果需要針對該目標資料,在信用卡、房貸、車貸等多個信貸業務場景中進行信用評分時,上述服務端可以將該目標資料中的若干基礎變量,在模型中對應的信用評分向與該目標資料對應的用戶輸出,作為該用戶
的信用評分。此時輸出的該評分將具有普適性,能夠使用信用卡、房貸、車貸等多個信貸業務場景。
透過以上各實施例可知,本申請透過從多個建模場景中分別採集建模樣本,基於從多個業務場景中採集到的建模樣本創建建模樣本集合,並為該建模樣本集合中的建模樣本,在原有的若干基礎變量的基礎上,分別定義用於指示所述建模樣本所屬的建模場景的場景變量,然後基於建模樣本集合中的建模樣本來訓練評價模型;由於在本申請中融合了多個業務場景的建模樣本進行建模,並在建模樣本中引入了場景變量對建模樣本進行場景區分,使得最終訓練出的評價模型具有普適性,透過該評價模型能夠得到適用多個不同的業務場景的評分。
一方面,如果需要在該目標資料所屬的業務場景進行評分,可以將該目標資料中包含的若干基礎變量在模型中對應的評分,和該目標資料中包含的場景變量在模型中對應的評分之和輸出,作為適用於該目標資料所述的業務場景的評分;另一方面,如果需要在上述多個業務場景進行評分,可以將該目標資料中包含的若干基礎變量在模型中對應的評分輸出,作為適用於該多個不同的業務場景的評分;從而使得該模型既可以輸入具有普適性的評分,也可以輸出適用於該目標資料實際所屬的業務場景的評分,評分的輸出更加具有靈活性,能夠被運用在不同的評分場景下。
與上述方法實施例相對應,本申請還提供了裝置的實
施例。
請參見圖3,本申請提出一種評價模型的建模裝置30,應用於服務端;其中,請參見圖4,作為承載所述評價模型的建模裝置30的服務端所涉及的硬體架構中,通常包括CPU、記憶體、非易失性記憶體、網路介面以及內部匯流排等;以軟體實現為例,所述評價模型的建模裝置30通常可以理解為加載在記憶體中的電腦程式,透過CPU運行之後形成的軟硬體相結合的邏輯裝置,所述裝置30包括:採集模組301,用於從多個建模場景中分別採集建模樣本;其中,所述建模樣本包括場景變量和若干基礎變量;所述場景變量指示所述建模樣本所屬的建模場景;創建模組302,用於基於從所述多個建模場景中採集到的建模樣本創建建模樣本集合;訓練模組303,用於基於所述建模樣本集合中的建模樣本訓練評價模型;其中,所述評價模型為相加模型;所述評價模型由所述若干基礎變量構成的模型部分和所述場景變量構成的模型部分相加得到。
在本例中,所述創建模組302進一步用於:基於各建模場景的建模樣本的數量,為各建模場景分別定義訓練樣本權重;其中,所述訓練樣本權重用於均衡各建模場景的建模樣本的數量差異;所述建模場景的建模樣本的數量越低,則定義該場景的訓練樣本權重越高。
在本例中,所述採集模組301進一步用於:
採集目標資料,所述目標資料包括所述場景變量和若干基礎變量;所述裝置30還包括:評分模組304,用於將所述目標資料輸入所述評價模型,得到該目標資料的評分;其中,所述評分由所述若干基礎變量在所述評價模型中對應的評分,和所述場景變量在所述評價模型中對應的評分相加得到。
在本例中,所述評分模組304進一步用於:如果需要針對所述目標資料在其所屬的建模場景中進行評分,輸出所述若干基礎變量在所述評價模型中對應的評分,和所述場景變量在所述評價模型中對應的評分之和,作為適用於所述目標資料其所屬的建模場景的評分。
在本例中,所述評分模組304進一步用於:如果需要針對所述目標資料在所述多個建模場景中進行評分,輸出所述若干基礎變量在所述評價模型中對應的評分,作為適用於所述多個建模場景的評分。
本領域技術人員在考慮說明書及實踐這裡公開的發明後,將容易想到本申請的其它實施方案。本申請旨在涵蓋本申請的任何變型、用途或者適應性變化,這些變型、用途或者適應性變化遵循本申請的一般性原理並包括本申請未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的,本申請的真正範圍和精神由下面的申請專利範圍指出。
應當理解的是,本申請並不局限於上面已經描述並在
附圖中示出的精確結構,並且可以在不脫離其範圍進行各種修改和改變。本申請的範圍僅由所附的申請專利範圍來限制。
以上所述僅為本申請的較佳實施例而已,並不用以限制本申請,凡在本申請的精神和原則之內,所做的任何修改、等同替換、改進等,均應包含在本申請保護的範圍之內。
Claims (10)
- 一種評價模型的建模方法,其特徵在於,該方法包括:從多個建模場景中分別採集建模樣本;其中,該建模樣本包括場景變量和若干基礎變量;該場景變量指示該建模樣本所屬的建模場景;基於從該多個建模場景中採集到的建模樣本創建建模樣本集合;基於該建模樣本集合中的建模樣本訓練評價模型;其中,該評價模型為相加模型;該評價模型由該若干基礎變量構成的模型部分和該場景變量構成的模型部分相加得到。
- 根據申請專利範圍第1項所述的方法,其中,該方法還包括:基於各建模場景的建模樣本的數量,為各建模場景分別定義訓練樣本權重;其中,該訓練樣本權重用於均衡各建模場景的建模樣本的數量差異;該建模場景的建模樣本的數量越低,則定義該場景的訓練樣本權重越高。
- 根據申請專利範圍第1項所述的方法,其中,該方法還包括:採集目標資料,該目標資料包括該場景變量和若干基礎變量; 將該目標資料輸入該評價模型,得到該目標資料的評分;其中,該評分由該若干基礎變量在該評價模型中對應的評分,和該場景變量在該評價模型中對應的評分相加得到。
- 根據申請專利範圍第3項所述的方法,其中,該方法還包括:如果需要針對該目標資料在其所屬的建模場景中進行評分,輸出該若干基礎變量在該評價模型中對應的評分,和該場景變量在該評價模型中對應的評分之和,作為適用於該目標資料其所屬的建模場景的評分。
- 根據申請專利範圍第4項所述的方法,其中,該方法還包括:如果需要針對該目標資料在該多個建模場景中進行評分,輸出該若干基礎變量在該評價模型中對應的評分,作為適用於該多個建模場景的評分。
- 一種評價模型的建模裝置,其特徵在於,該裝置包括:採集模組,用於從多個建模場景中分別採集建模樣本;其中,該建模樣本包括場景變量和若干基礎變量;該場景變量指示該建模樣本所屬的建模場景;創建模組,用於基於從該多個建模場景中採集到的建 模樣本創建建模樣本集合;訓練模組,用於基於該建模樣本集合中的建模樣本訓練評價模型;其中,該評價模型為相加模型;該評價模型由該若干基礎變量構成的模型部分和該場景變量構成的模型部分相加得到。
- 根據申請專利範圍第6項所述的裝置,其中,該創建模組進一步用於:基於各建模場景的建模樣本的數量,為各建模場景分別定義訓練樣本權重;其中,該訓練樣本權重用於均衡各建模場景的建模樣本的數量差異;該建模場景的建模樣本的數量越低,則定義該場景的訓練樣本權重越高。
- 根據申請專利範圍第6項所述的裝置,其中,該採集模組進一步用於:採集目標資料,該目標資料包括該場景變量和若干基礎變量;該裝置還包括:評分模組,用於將該目標資料輸入該評價模型,得到該目標資料的評分;其中,該評分由該若干基礎變量在該評價模型中對應的評分,和該場景變量在該評價模型中對應的評分相加得到。
- 根據申請專利範圍第8項所述的裝置,其中,該評分 模組進一步用於:如果需要針對該目標資料在其所屬的建模場景中進行評分,輸出該若干基礎變量在該評價模型中對應的評分,和該場景變量在該評價模型中對應的評分之和,作為適用於該目標資料其所屬的建模場景的評分。
- 根據申請專利範圍第9項所述的裝置,其中,該評分模組進一步用於:如果需要針對該目標資料在該多個建模場景中進行評分,輸出該若干基礎變量在該評價模型中對應的評分,作為適用於該多個建模場景的評分。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610581457.5A CN107644279A (zh) | 2016-07-21 | 2016-07-21 | 评价模型的建模方法及装置 |
??201610581457.5 | 2016-07-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201804401A true TW201804401A (zh) | 2018-02-01 |
TWI673669B TWI673669B (zh) | 2019-10-01 |
Family
ID=60991922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106118913A TWI673669B (zh) | 2016-07-21 | 2017-06-07 | 評價模型的建模方法及裝置 |
Country Status (8)
Country | Link |
---|---|
US (2) | US20190156417A1 (zh) |
EP (1) | EP3489869A1 (zh) |
JP (1) | JP6749468B2 (zh) |
KR (1) | KR102233589B1 (zh) |
CN (1) | CN107644279A (zh) |
SG (1) | SG11201900470SA (zh) |
TW (1) | TWI673669B (zh) |
WO (1) | WO2018014786A1 (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180053114A1 (en) | 2014-10-23 | 2018-02-22 | Brighterion, Inc. | Artificial intelligence for context classifier |
US10896421B2 (en) | 2014-04-02 | 2021-01-19 | Brighterion, Inc. | Smart retail analytics and commercial messaging |
US20160055427A1 (en) | 2014-10-15 | 2016-02-25 | Brighterion, Inc. | Method for providing data science, artificial intelligence and machine learning as-a-service |
US20150032589A1 (en) | 2014-08-08 | 2015-01-29 | Brighterion, Inc. | Artificial intelligence fraud management solution |
US20150339673A1 (en) | 2014-10-28 | 2015-11-26 | Brighterion, Inc. | Method for detecting merchant data breaches with a computer network server |
US20150066771A1 (en) | 2014-08-08 | 2015-03-05 | Brighterion, Inc. | Fast access vectors in real-time behavioral profiling |
US11080709B2 (en) | 2014-10-15 | 2021-08-03 | Brighterion, Inc. | Method of reducing financial losses in multiple payment channels upon a recognition of fraud first appearing in any one payment channel |
US10546099B2 (en) | 2014-10-15 | 2020-01-28 | Brighterion, Inc. | Method of personalizing, individualizing, and automating the management of healthcare fraud-waste-abuse to unique individual healthcare providers |
US20160063502A1 (en) | 2014-10-15 | 2016-03-03 | Brighterion, Inc. | Method for improving operating profits with better automated decision making with artificial intelligence |
US20160078367A1 (en) | 2014-10-15 | 2016-03-17 | Brighterion, Inc. | Data clean-up method for improving predictive model training |
US20160071017A1 (en) | 2014-10-15 | 2016-03-10 | Brighterion, Inc. | Method of operating artificial intelligence machines to improve predictive model training and performance |
US10290001B2 (en) | 2014-10-28 | 2019-05-14 | Brighterion, Inc. | Data breach detection |
US10671915B2 (en) | 2015-07-31 | 2020-06-02 | Brighterion, Inc. | Method for calling for preemptive maintenance and for equipment failure prevention |
US20190311428A1 (en) * | 2018-04-07 | 2019-10-10 | Brighterion, Inc. | Credit risk and default prediction by smart agents |
US20190342297A1 (en) | 2018-05-01 | 2019-11-07 | Brighterion, Inc. | Securing internet-of-things with smart-agent technology |
CN111164633B (zh) * | 2018-05-31 | 2024-01-05 | 重庆小雨点小额贷款有限公司 | 一种评分卡模型的调整方法、装置、服务器及存储介质 |
US11694124B2 (en) | 2019-06-14 | 2023-07-04 | Accenture Global Solutions Limited | Artificial intelligence (AI) based predictions and recommendations for equipment |
CN111882140A (zh) * | 2019-12-17 | 2020-11-03 | 马上消费金融股份有限公司 | 风险评测方法、模型训练方法、装置、设备及存储介质 |
CN113055208B (zh) * | 2019-12-27 | 2023-01-13 | 中移信息技术有限公司 | 基于迁移学习的信息识别模型的识别方法、装置、设备 |
CN112766558A (zh) * | 2021-01-13 | 2021-05-07 | 深圳前海微众银行股份有限公司 | 建模样本生成方法、装置、设备及计算机可读存储介质 |
CN112906772A (zh) * | 2021-02-04 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 样本处理方法、装置、设备及计算机可读存储介质 |
CN113034042B (zh) * | 2021-04-19 | 2024-04-26 | 上海数禾信息科技有限公司 | 用于风控模型构建的数据处理方法和装置 |
CN113379530A (zh) * | 2021-06-09 | 2021-09-10 | 中国工商银行股份有限公司 | 用户风险的确定方法、装置和服务器 |
CN114139595A (zh) * | 2021-09-30 | 2022-03-04 | 光大科技有限公司 | 一种评分卡模型训练方法及装置 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060015377A1 (en) * | 2004-07-14 | 2006-01-19 | General Electric Company | Method and system for detecting business behavioral patterns related to a business entity |
CN101493913A (zh) * | 2008-01-23 | 2009-07-29 | 阿里巴巴集团控股有限公司 | 一种评估网上用户信用的方法及系统 |
US8521659B2 (en) * | 2008-08-14 | 2013-08-27 | The United States Of America, As Represented By The Secretary Of The Navy | Systems and methods of discovering mixtures of models within data and probabilistic classification of data according to the model mixture |
JP5175903B2 (ja) * | 2009-08-31 | 2013-04-03 | アクセンチュア グローバル サービスィズ ゲーエムベーハー | 適応分析多次元処理システム |
US20110153480A1 (en) * | 2009-12-23 | 2011-06-23 | Rainer Zinow | Authenticating Financial Information of A Commercial Enterprise |
US20120209880A1 (en) * | 2011-02-15 | 2012-08-16 | General Electric Company | Method of constructing a mixture model |
US8370280B1 (en) * | 2011-07-14 | 2013-02-05 | Google Inc. | Combining predictive models in predictive analytical modeling |
CN102711177A (zh) * | 2012-04-26 | 2012-10-03 | 北京邮电大学 | 基于业务预测的负载均衡方法 |
US10366362B1 (en) * | 2012-10-18 | 2019-07-30 | Featuremetrics, LLC | Feature based modeling for forecasting and optimization |
CN105556552A (zh) * | 2013-03-13 | 2016-05-04 | 加迪安分析有限公司 | 欺诈探测和分析 |
US20140279784A1 (en) * | 2013-03-14 | 2014-09-18 | Kxen, Inc. | Partial predictive modeling |
KR101563406B1 (ko) * | 2013-12-13 | 2015-10-26 | 건국대학교 산학협력단 | 하둡 기반의 대용량 불균형 데이터 분류분석 시스템 및 방법 |
JP6432859B2 (ja) * | 2014-08-27 | 2018-12-05 | 株式会社フューチャーアイ | サービス提供システムおよびプログラム |
US9990639B1 (en) * | 2014-12-02 | 2018-06-05 | Trulia, Llc | Automatic detection of fraudulent real estate listings |
CN104866969A (zh) * | 2015-05-25 | 2015-08-26 | 百度在线网络技术(北京)有限公司 | 个人信用数据处理方法和装置 |
US10339470B1 (en) * | 2015-12-11 | 2019-07-02 | Amazon Technologies, Inc. | Techniques for generating machine learning training data |
-
2016
- 2016-07-21 CN CN201610581457.5A patent/CN107644279A/zh active Pending
-
2017
- 2017-06-07 TW TW106118913A patent/TWI673669B/zh active
- 2017-07-14 WO PCT/CN2017/092912 patent/WO2018014786A1/zh unknown
- 2017-07-14 JP JP2019503322A patent/JP6749468B2/ja active Active
- 2017-07-14 SG SG11201900470SA patent/SG11201900470SA/en unknown
- 2017-07-14 EP EP17830420.0A patent/EP3489869A1/en not_active Ceased
- 2017-07-14 KR KR1020197005189A patent/KR102233589B1/ko active IP Right Grant
-
2019
- 2019-01-18 US US16/251,741 patent/US20190156417A1/en not_active Abandoned
- 2019-12-20 US US16/723,606 patent/US20200143467A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP6749468B2 (ja) | 2020-09-02 |
JP2019527434A (ja) | 2019-09-26 |
KR20190032495A (ko) | 2019-03-27 |
SG11201900470SA (en) | 2019-02-27 |
WO2018014786A1 (zh) | 2018-01-25 |
US20200143467A1 (en) | 2020-05-07 |
US20190156417A1 (en) | 2019-05-23 |
CN107644279A (zh) | 2018-01-30 |
EP3489869A4 (en) | 2019-05-29 |
EP3489869A1 (en) | 2019-05-29 |
TWI673669B (zh) | 2019-10-01 |
KR102233589B1 (ko) | 2021-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI673669B (zh) | 評價模型的建模方法及裝置 | |
TWI712981B (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
TWI789345B (zh) | 機器學習模型的建模方法及裝置 | |
KR20180041174A (ko) | 위험 평가 방법 및 시스템 | |
CN108734327A (zh) | 一种数据处理方法、装置及服务器 | |
CN112801775A (zh) | 客户信用评价方法及装置 | |
CN110060053A (zh) | 一种识别方法、设备及计算机可读介质 | |
CN110415103A (zh) | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 | |
US20190220924A1 (en) | Method and device for determining key variable in model | |
Eddy et al. | Credit scoring models: Techniques and issues | |
CN112365007A (zh) | 模型参数确定方法、装置、设备及存储介质 | |
CN115293336A (zh) | 风险评估模型训练方法、装置和服务器 | |
CN113283795A (zh) | 基于二分类模型的数据处理方法及装置、介质、设备 | |
CN112070559A (zh) | 状态获取方法和装置、电子设备和存储介质 | |
CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
CN118134652A (zh) | 一种资产配置方案生成方法、装置、电子设备及介质 | |
Zou et al. | An agent-based model for crowdsourcing systems | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
US20140344022A1 (en) | Competitor response model based pricing tool | |
CN111382909A (zh) | 基于生存分析模型扩展坏样本的拒绝推断方法及相关设备 | |
CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
Wright et al. | A machine learning approach to classification for traders in financial markets | |
CN112749921A (zh) | 数学建模方法、系统、设备及计算机可读介质 | |
WO2024018671A1 (ja) | Cld管理装置、cld管理システム及びcld管理方法 | |
Bhandari et al. | An Ensemble Regression Model to Predict a Rent of House |