[发明专利]用户风险预测模型处理方法、装置及电子设备

权利要求书

1.一种用户风险预测模型处理方法，其特征在于，所述方法包括：

获取多个通过审批的第一样本和未通过审批的第二样本，所述第一样本包括多个正样本和多个负样本，所述正样本为非风险用户的用户样本，所述负样本为风险用户的用户样本，所述第二样本包括不具有样本标签的用户样本；每个所述用户样本指示用户特征信息的多个特征项；

从所述第一样本中确定训练样本集及测试样本集；

通过所述训练样本集训练获得至少三种不同的预测模型，并通过所述测试样本集获得所述至少三种不同的预测模型的模型评价指标值；

通过所述至少三种不同的预测模型对所述第二样本进行分类预测，获得所述至少三种不同的预测模型得出的所述第二样本的预测结果；

根据所述至少三种不同的预测模型的预测结果及所述至少三种不同的预测模型的模型评价指标值，确定所述第二样本为负样本的第一目标概率；

复制所述第二样本获得第三样本，将所述第二样本的样本标签设置负样本，并将所述第二样本的权重因子设置为所述第一目标概率，将所述第三样本的样本标签设置为正样本，并将所述第三样本的权重因子设置为第二目标概率，其中，所述第二目标概率等于1减所述第一目标概率；

根据所述第一样本、第二样本及第三样本训练预设的用户风险预测模型，获得训练完成后所述用户风险预测模型。

2.根据权利要求1所述的方法，其特征在于，所述通过所述训练样本集训练获得至少三种不同的预测模型，并通过所述测试样本集获得所述至少三种不同的预测模型的模型评价指标值的步骤，包括：

通过所述训练样本集对预设的逻辑回归模型进行训练；使用训练后的所述逻辑回归模型对所述测试样本集进行分类预测，根据预测结果及所述测试样本集的样本标签获得第一模型评价指标值；

通过所述训练样本集对预设的xgboost模型进行训练；使用训练后的所述xgboost模型对所述测试样本集进行分类预测，根据预测结果及所述测试样本集的样本标签获得第二模型评价指标值；

通过所述训练样本集构建高斯混合模型，使用所述高斯混合模型对所述测试样本集进行分类预测，根据预测结果及所述测试样本集的样本标签获得第三模型评价指标值；

所述通过所述至少三种不同的预测模型对所述第二样本进行分类预测，获得所述至少三种不同的预测模型得出的所述第二样本的预测结果的步骤，包括：

通过训练后的所述逻辑回归模型对所述第二样本进行分类预测，获得所述第二样本为负样本的第一预测概率，通过训练后的所述xgboost模型对所述第二样本进行分类预测，获得所述第二样本为负样本的第二预测概率，通过所述高斯混合模型对所述第二样本进行分类预测，获得所述第二样本为负样本的第三预测概率；

所述根据所述至少三种不同的预测模型的预测结果及所述至少三种不同的预测模型的模型评价指标值，确定所述第二样本为负样本的第一目标概率的步骤，包括：

根据所述第一模型评价指标值、所述第一预测概率、所述第二模型评价指标值、所述第二预测概率、所述第三模型评价指标值及所述第三预测概率计算获得所述第二样本为负样本的第一目标概率。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一模型评价指标值、所述第一预测概率、所述第二模型评价指标值、所述第二预测概率、所述第三模型评价指标值及所述第三预测概率计算获得所述第二样本为负样本的第一目标概率的步骤，包括：

通过下述公式计算所述第二样本为负样本的第一目标概率p：

其中，ks1为所述第一模型评价指标值，ks2为所述第二模型评价指标值，ks3为所述第三模型评价指标值，prob1为所述第一预测概率，prob2为所述第二预测概率，prob3为所述第三预测概率。

4.根据权利要求2所述的方法，其特征在于，所述通过所述训练样本集构建高斯混合模型的步骤，包括：

获取所述训练样本集中负样本的在所述训练样本集中的第一占比；

通过所述高斯混合模型对所述训练样本集进行聚类处理，其中，聚类类别数量为2；

计算2个所述类别中负样本的第二占比，将所述第二占比小于所述第一占比的类别确定为正样本类别，将所述第二占比大于所述第一占比的类别确定为负样本类别。