[发明专利]信用模型的建立方法、装置、设备及可读存储介质

说明书

本发明公开了一种信用模型的建立方法，该方法包括：获取多个样本，每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据；将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中，对应输出第一信用特征数据；基于约束优化算法、样本目标结果，对所述第一信用特征数据对应的第一权重值进行迭代优化，获得各个信用子模型对应的最终权重值，并根据最终权重值更新第一信用模型，形成第二信用模型。本发明还公开了一种信用模型的建立装置、设备和一种可读存储介质。本发明能够解决现有信用模型评估用户的信用准确度低的问题。

技术领域

本发明涉及信用模型的技术领域，尤其涉及信用模型的建立方法、装置、设备及可读存储介质。

背景技术

目前，个人征信模型帮助消费贷款等机构对用户的个人信用进行分析，同时，用户也可以根据个人信用进行相关消费或贷款。

现有技术在使用用户信用模型对特征数据进行处理时，一般通过将用户信用模型的各个评估数据与该模型的对应参数通过Bagging(Bagging是一种用来提高学习算法准确度的方法，这种方法通过构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数)方法进行投票或者随机决定权重后进行加权求和，从而得到数据处理的结果，并根据该结果对用户的个人信用进行评估，但是，这种投票或者随机决定权重得到的数据处理结果评估用户的信用准确度低。

发明内容

本发明的主要目的在于提出一种信用模型的建立方法、装置及可读存储介质，旨在解决现有信用模型评估用户的信用准确度低的问题。

为实现上述目的，本发明提供一种信用模型的建立方法，所述方法包括如下步骤：

获取多个样本，每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据；

将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中，对应输出第一信用特征数据；

基于约束优化算法、样本目标结果，对所述第一信用特征数据对应的第一权重值进行迭代优化，获得各个信用子模型对应的最终权重值，并根据最终权重值更新第一信用模型，形成第二信用模型。

优选地，所述基于约束优化算法和样本目标结果，对所述第一信用特征数据对应的权重值进行迭代优化，获得各个信用子模型对应的最终权重值，并根据最终权重值更新第一信用模型，形成第二信用模型的步骤包括：

基于约束优化算法，对所述第一信用特征数据对应的第一权重值进行迭代优化，获得每一轮迭代的所述第一信用特征数据对应的第一权重值；

基于第一信用特征数据基于第一信用特征数据和所述第一权重值，获得每一轮迭代对应的样本预测结果；

基于样本目标结果和每一轮迭代的样本预测结果，计算每一轮迭代的约束优化目标值；

获取约束优化目标值中的最大值对应的第一权重值，作为各个信用子模型对应的最终权重值，并根据最终权重值更新第一信用模型，形成第二信用模型。

优选地，所述样本包括坏样本，所述基于样本目标结果和每一轮迭代的样本预测结果，计算每一轮迭代的约束优化目标值的步骤包括：

根据样本目标结果和每一轮迭代的样本预测结果，计算每一轮迭代的贡献率和命中率；

获取所述命中率的权重值和所述贡献率的权重值，基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值。

优选地，根据样本目标结果和每一轮迭代的样本预测结果，计算每一轮迭代的贡献率和命中率的步骤包括：

根据样本目标结果和每一轮迭代的样本预测结果，计算每一轮迭代的样本预测结果预测正确的样本数目与样本总数的比值，作为每一轮迭代的命中率；