[发明专利]反欺诈预测模型的训练方法及装置、存储介质及电子设备

权利要求书

1.一种反欺诈预测模型的训练方法，其特征在于，包括：

获取各个原始样本数据；

确定每个所述原始样本数据中缺失的特征数据的数量；

基于各个所述原始样本数据中缺失的特征数据的数量构造每个所述原始样本数据的缺失值特征，并基于每个所述原始样本数据中的目标特征数据构造每个所述原始样本数据的计数特征以及排序特征；所述目标特征数据为数值类型的特征数据；

将每个所述原始样本数据的所述缺失值特征、所述计数特征以及所述排序特征添加至该原始样本数据中，获得该原始样本数据对应的目标样本数据；

应用各个所述目标样本数据构建反欺诈预测模型。

2.根据权利要求1所述的方法，其特征在于，所述应用各个所述目标样本数据构建反欺诈预测模型，包括：

对各个所述目标样本数据进行划分，获得多个第一目标样本数据、多个第二目标样本数据以及多个第三目标样本数据；

为每个所述第一目标样本数据以及每个所述第二目标样本数据设置样本标签；

将各个所述第一目标样本数据以及每个所述第一目标样本数据的样本标签组成训练样本集；

将各个所述第二目标样本数据以及每个所述第二目标样本数据的样本标签组成测试样本集；

将各个所述第三目标样本数据组成当前的未打标数据集；

应用所述训练样本集中的各个所述第一目标样本数据以及每个所述第一目标样本数据的样本标签，构建第一反欺诈预测模型；

应用所述测试样本集对所述第一反欺诈预测模型进行测试，获得所述第一反欺诈预测模型的模型评分；

应用所述第一反欺诈预测模型对当前所述未打标数据集中的各个第三目标样本数据进行预测，获得每个所述第三目标样本数据的预测得分；

基于每个所述第三目标样本数据的预测得分，确定每个所述第三目标样本数据是否满足当前的打标条件；所述打标条件为所述预测得分大于已设定的第一评分阈值，或小于已设定的第二评分阈值；

若存在满足所述打标条件的所述第三目标样本数据，则为该第三目标样本数据设置样本标签；

将已设置样本标签的所述第三目标样本数据确定为第一目标样本数据，并迁移至所述训练数据集，以更新所述训练数据集以及所述未打标数据集；

基于已更新的所述训练数据集对所述第一反欺诈预测模型进行训练，得到第二反欺诈预测模型；

应用所述测试样本集对所述第二反欺诈预测模型进行测试，获得所述第二反欺诈预测模型的模型评分；

判断所述第二反欺诈预测模型的模型评分是否大于所述第一反欺诈预测模型的模型评分；

若所述第二反欺诈模型的模型评分大于所述第一反欺诈模型的模型评分，则确定所述第二反欺诈预测模型是否满足预先设置的训练完成条件，若所述第二反欺诈预测模型未满足所述训练完成条件，则将所述第二反欺诈预测模型确定为新的第一反欺诈预测模型，并返回执行应用所述第一反欺诈预测模型对当前所述未打标数据集中的各个第三目标样本数据进行预测，获得每个所述第三目标样本数据的预测得分的步骤；若所述第二反欺诈预测模型满足所述训练完成条件，将满足所述训练完成条件的所述第二反欺诈预测模型确定为反欺诈预测模型；

若所述第二反欺诈模型的模型评分未大于所述第一反欺诈模型的模型评分，则调整所述打标条件中的所述第一评分阈值和/或所述第二评分阈值，并将所述第二反欺诈预测模型确定为新的第一反欺诈预测模型，并返回执行应用所述第一反欺诈预测模型对当前所述未打标数据集中的各个第三目标样本数据进行预测，获得每个所述第三目标样本数据的预测得分的步骤。

3.根据权利要求1所述的方法，其特征在于，所述基于各个所述原始样本数据中缺失的特征数据的数量构造每个所述原始样本数据的缺失值特征，包括：

对各个所述原始样本数据中缺失的特征数据的数量进行离散化处理，获得每个所述原始样本数据的缺失值特征。