[发明专利]信用模型训练方法、信用评分方法、装置及电子设备

说明书

本发明提供了一种信用模型训练方法、信用评分方法、装置、电子设备及存储介质；信用模型训练方法包括：从样本信用数据中提取原始特征；根据所述原始特征生成包括多个特征组合的初代特征群，对所述初代特征群进行特征交叉操作及特征突变操作，得到子代特征群；对所述子代特征群进行迭代，并在每次迭代后，确定得到的特征组合的适应度，根据所述适应度选取特征组合构成新的子代特征群；当迭代得到的结果满足停止条件时，停止迭代，得到终代特征群；构建信用模型，根据所述终代特征群及所述样本信用数据更新所述信用模型的参数。通过本发明，能够生成与信用结果关联性较强的特征组合，提升了根据信用模型进行信用评分的准确性。

技术领域

本发明涉及人工智能技术，尤其涉及一种信用模型训练方法、信用评分方法、装置、电子设备及存储介质。

背景技术

人工智能(AI，Artificial Intelligence,)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。机器学习(ML，Machine Learning)是一门多领域交叉学科，是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及各个领域。

信用评估是机器学习的重要的应用分支，信用模型能够用户的信用情况进行评估，从而可根据评分实施对应的策略，如对申请信用卡的用户进行信用评分，从而决定是否核卡，核卡的额度及卡等级等；如对申请小额现金贷的用户进行信用评分，从而进行差异化的利率定价。

相关技术提供的信用模型方案中，根据原始特征生成的特征组合与信用结果之间的关联性低，对于训练出的信用模型，存在信用评分的准确性不理想的情况。

发明内容

本发明实施例提供一种信用模型训练方法、信用评分方法、装置、电子设备及存储介质，能够生成与信用结果关联性较好的特征组合，提升根据信用模型进行信用评分的准确性。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种信用模型训练方法，包括：

从样本信用数据中提取原始特征；

根据所述原始特征生成包括多个特征组合的初代特征群，对所述初代特征群进行特征交叉操作及特征突变操作，得到子代特征群；

对所述子代特征群进行迭代，并在每次迭代后，确定得到的特征组合的适应度，根据所述适应度选取特征组合构成新的子代特征群；

当迭代得到的结果满足停止条件时，停止迭代，得到终代特征群；

构建信用模型，根据所述终代特征群及所述样本信用数据更新所述信用模型的参数。

在上述方案中，所述根据所述原始特征生成包括多个特征组合的初代特征群，包括：

根据设定的运算符对所述原始特征进行组合，直至生成的特征组合的数量满足设定的初代数量，且每个所述特征组合对应二叉树的高度满足设定的高度条件。

在上述方案中，所述对所述初代特征群执行特征交叉操作及特征突变操作，包括：

对所述初代特征群重复执行特征交叉操作及特征突变操作，直至所述初代特征群包括的特征组合的数量满足设定的子代数量，且得到的每个特征组合对应二叉树的高度满足设定的高度条件。

在上述方案中，信用模型训练方法还包括：

当所述样本信用数据中缺失与所述原始特征对应的特征值时，对所述样本信用数据进行特征值填充；

当所述样本信用数据中存在超出特征取值范围的特征值时，去除所述样本信用数据，其中，所述特征取值范围与所述原始特征对应。

本发明实施例提供一种基于信用模型的信用评分方法，包括：