[发明专利]一种有趋势约束和变量选择的分箱回归方法

权利要求书

1.一种有趋势约束和变量选择的分箱回归方法，其特征在于，包括：

获取用户数据，并进行数据分类，生成多个不同类型用户数据集；

通过fused lasso对不同类型用户数据集进行变量排序，确定不同类型用户数据的数据趋势；

根据所述数据趋势，设定约束项；

根据所述约束项，确定符合对用户数据进行信用评估的可选数据变量；

将所述可选数据变量通过grouplasso进行单变量选择，确定目标变量；

将所述目标变量转换为离散变量，将所述离散变量的对应的用户数据进行单变量分箱处理，确定最优分箱结果；

根据所述最优分箱结果，对用户进行信用评估。

2.如权利要求1所述的一种有趋势约束和变量选择的分箱回归方法，其特征在于，所述获取用户数据，并进行数据分类，生成多个不同类型用户数据集，包括：

在不同的不同金融平台对用户的数据进行提取，确定用户数据；其中，

所述用户数据包括：身份信息、收入数据、历史贷款数据和偿还状态数据；

将所述用户数据通过M个不同的过滤器进行特征选择，分别得到M个不同的特征序列；其中，

M为大于等于2的正整数；

所述过滤器包括：身份数据过滤器、收入数据过滤器、历史贷款数据过滤器和偿还状态数据过滤器；

对特征序列中的每个特征进行权重评估，根据评估得分进行降序排列，得到基于权重排序的特征子集；

根据特征子集建立SVM模型，将特征子集作为训练样本，进行训练，利用集成学习策略的两层叠加框架，构建基于多模型融合集成学习的高维不平衡数据分类模型，对用户数据进行分类，生成多个不同类型用户数据集。

3.如权利要求1所述的一种有趋势约束和变量选择的分箱回归方法，其特征在于，所述通过fused lasso对不同类型用户数据进行变量排序，确定不同类型用户数据的数据趋势，包括：

根据所述多个不同类型用户数据集，确定多个不同类型的用户特征数据集；

根据所述多个不同类型的用户特征数据集，确定多个不同类型的数据变量数据集；

通过fused lasso对所述多个不同类型的数据变量数据集进行变量排序；

根据所述变量排序，建立不同类型的用户数据的变量曲线；

根据所述变量曲线，确定不同类型用户数据的数据趋势。

4.如权利要求1所述的一种有趋势约束和变量选择的分箱回归方法，其特征在于，所述根据所述数据趋势，设定约束项，包括：

根据所述数据趋势，确定用户信用的变化趋势，并根据所述变化趋势，构建用户数据的预测变换矩阵；

获取信用评估标准，建立用户数据的趋势阈值；

根据所述趋势阈值建立信用评估边界矩阵；

将所述预测变换矩阵和信用评估边界矩阵进行数据拟合差项；

根据所述数据拟合差项，构建模型趋势约束项；

根据所述模型趋势约束项，建立多个基于用户信用追踪的目标函数；

根据所述目标函数，设定约束项。

5.如权利要求1所述的一种有趋势约束和变量选择的分箱回归方法，其特征在于，所述根据所述约束项，确定符合对用户数据进行信用评估的可选数据变量，包括：

基于所述约束项，生成对用户数据的信用评估的约束项集；其中，

所述约束项集中包括每类用户数据的数据变量的变量区间；

根据所述变量区间，获取所述约束项集中每个所述约束项对应的数据变量的最大值和最小值；

根据所述约束项集中每个所述约束项对应的数据变量的最大值和最小值，确定所述用户数据的信用评估模型中对应的模型模块及所述模型模块对应的关联关系；

根据所述约束项中每类用户数据的最大值和最小值搭建数据变量筛选模型；

基于所述目数据变量筛选模型，对所述用户数据进行筛选，确定可选数据变量。