[发明专利]样本生成方法、装置及存储介质

说明书

本申请公开了一种样本生成方法、装置及存储介质，属于机器学习领域。所述方法包括：根据多个用户申请信用评估的申请时间，对初始训练集进行划分，得到多个验证集；确定候选特征集中的每个用户特征在各个验证集上的信息值，候选特征集包括N个用户特征或N个用户特征中除初始化用户特征之外的用户特征；根据候选特征集中的每个用户特征在各个验证集上的信息值，从候选特征集中确定满足参考条件的至少一个参考用户特征；将入模用户特征作为信用评估模型的训练样本，入模用户特征包括确定的参考用户特征或确定的参考用户特征和初始化用户特征。本申请通过基于用户特征在各个验证集上的信息值，对用户特征进行筛选，提供了模型的稳定性和使用寿命。

技术领域

本申请涉及机器学习领域，特别涉及一种样本生成方法、装置及存储介质。

背景技术

在互联网金融领域，常使用信用评估模型来对用户的信用风险进行评估，以确定用户的信用标签。为了构建信用评估模型，需要先获取大量用户的用户特征和对应的信用标签，并将这些数据作为训练样本进行模型训练，才能得到该信用评估模型。但是，由于有些用户特征与用户信用风险有关，而有些用户特征对用户信用风险无关，因此，在获取训练样本的过程中，还需要对用户特征进行筛选。

相关技术中，可以先获取多个用户的用户特征集和信用标签，得到初始训练集，其中，每个用户的用户特征集包括该用户的N个用户特征的用户特征值。然后，根据初始训练集包括的多个用户的用户特征集和对应的信用标签，计算N个用户特征中的每个用户特征在该初始训练集上的信息值。之后，按照在初始训练集上的信息值从大到小的顺序，从N个用户特征中选择用户特征，得到至少一个参考用户特征，然后，将多个用户中每个用户的至少一个参考用户特征的用户特征值和每个用户的信用标签，作为信息评估模型的训练样本，以基于该训练样本进行模型训练。

由于用户的金融业务是会随时间发生变动的，因此，仅根据N个用户特征在整个初始训练集上的信息值，来从这N个用户特征中筛选用于训练的用户特征，会导致训练得到的信用评估模型容易出现过拟合，模型稳定性较低，使用寿命较短。

发明内容

本申请实施例提供了一种样本生成方法、装置及存储介质，可以用于解决相关技术中存在的仅根据N个用户特征在整个初始训练集上的信息值来筛选用于训练的用户特征，会导致训练得到的信用评估模型容易出现过拟合，模型稳定性较低，使用寿命较短的问题。所述技术方案如下：

一方面，提供了一种样本生成方法，所述方法包括：

获取多个用户的第一用户特征集和信用标签，得到初始训练集，每个用户的第一用户特征集包括每个用户的N个用户特征的用户特征值，所述多个用户为申请信用评估的用户，所述N为正整数；

根据所述多个用户申请信用评估的申请时间，对所述初始训练集进行划分，得到多个验证集，所述多个验证集对应用户的申请时间处于不同时间段；

确定候选特征集中的每个用户特征在各个验证集上的信息值，所述候选特征集包括所述N个用户特征，或所述N个用户特征中除初始化用户特征之外的用户特征，所述信息值用于衡量用户特征的预测能力；

根据所述候选特征集中的每个用户特征在各个验证集上的信息值，从所述候选特征集中确定满足参考条件的至少一个参考用户特征；

将所述多个用户的第二用户特征集和信用标签，作为信用评估模型的训练样本，每个用户的第二用户特征集包括每个用户的入模用户特征的用户特征值，所述入模用户特征包括所述至少一个参考用户特征，或所述至少一个参考用户特征和所述初始化用户特征。

可选地，所述根据所述候选特征集中的每个用户特征在各个验证集上的信息值，从所述候选特征集中确定满足参考条件的至少一个参考用户特征，包括：

对于所述多个验证集中的每个验证集，从所述候选特征集中确定在每个验证集上信息值最大的用户特征，对确定出的用户特征进行去重，得到种子特征集；