[发明专利]一种信用评估模型的训练方法、装置及设备

权利要求书

1.一种信用评估模型的训练方法，其特征在于，包括：

获取影响客户信用的样本数据集；其中，样本数据集中的每条样本数据对应有标签值，所述标签值用于区分正负样本，所述样本数据集中负样本数量大于正样本数量；

获取第K次训练对应的分类器，K0；

利用所述第K次训练对应的分类器对所述样本数据集中的负样本进行预测，获得每条负样本对应的预测值；

根据每条负样本对应的预测值和标签值，确定每条负样本的分类难度值；

基于所述分类难度值，对所述样本数据集中的负样本进行采样，获得第一负样本；

将所述第一负样本和所述样本数据集中的正样本合并，生成第一数据集；

利用所述第一数据集对预设分类模型进行训练，获得第K次训练确定的基分类器；

根据第K+1次训练前获得的所有基分类器，确定第K+1次训练对应的分类器；

判断是否达到预设训练次数，确定达到时，将所述第K+1次训练对应的分类器作为信用评估模型。

2.根据权利要求1所述的方法，其特征在于，所述样本数据至少包括下述之一：客户国际收支交易明细信息、客户所有类型交易明细信息、客户所在企业基本信息、根据交易明细衍生的信息。

3.根据权利要求1所述的方法，其特征在于，所述获取第K次训练对应的分类器，包括：

获取第一次训练对应的分类器；或者，

获取第K次训练对应的分类器，K1。

4.根据权利要求3所述的方法，其特征在于，所述获取第一次训练对应的分类器，包括：

对所述样本数据集中的负样本进行随机欠采样，获得第二负样本；

将所述第二负样本和所述样本数据集中的正样本合并，生成第二数据集；

利用所述第二数据集对所述预设分类模型进行训练，获得初始基分类器；

将所述初始基分类器作为所述第一次训练对应的分类器。

5.根据权利要求3所述的方法，其特征在于，所述获取第K次训练对应的分类器，K1，包括：

获取第K次训练前获得的所有基分类器；

将第K次训练前获得的所有基分类器的均值作为所述第K次训练对应的分类器，K1。

6.根据权利要求1所述的方法，其特征在于，所述根据每条负样本对应的预测值和标签值，确定每条负样本的分类难度值，包括：

计算每条负样本对应的预测值和标签值的差值；

将所述差值的绝对值作为每条负样本的分类难度值。

7.根据权利要求1所述的方法，其特征在于，所述基于所述分类难度值，对所述样本数据集中的负样本进行采样，获得第一负样本，包括：

根据所述分类难度值，将所述样本数据集中的负样本划分到不同区间；

根据每个区间包括的负样本的分类难度值，计算每个区间的平均分类难度值；

根据每个区间的平均分类难度值，确定每个区间的采样比例；

根据每个区间的采样比例对每个区间包括的负样本进行采样，获得第一负样本。

8.根据权利要求7所述的方法，其特征在于，根据每个区间的平均分类难度值，按照下述公式确定每个区间的采样比例：

其中，p_i表示第i个区间的采样比例，表示第i个区间的平均分类难度值，α表示采样权重调控因子，k表示区间数量，i表示序号。