[发明专利]个人信用评价方法、系统、可读存储介质及计算机设备

权利要求书

1.一种个人信用评价方法，其特征在于，包括：

获取个人信用评价数据集，并对所述个人信用评价数据集进行数据预处理，以得到第一数据集；

计算出所述第一数据集的特征重要度以及信息价值，并根据所述特征重要度和所述信息价值对所述第一数据集进行特征筛选，以得到优化后的特征变量集；

将所述优化后的特征变量集划分为训练集和验证集，并将所述训练集输入至信用评分模型中进行模型训练，以得到个人信用评价模型；

构建评分转换规则，并利用所述评分转换规则和所述个人信用评价模型对待评价数据进行信用评价。

2.根据权利要求1所述的个人信用评价方法，其特征在于，对所述个人信用评价数据集进行数据预处理的步骤包括：

解析出所述个人信用评价数据集中存在缺失的缺失数据，并计算出所述缺失数据在所述个人信用评价数据集中的缺失比例；

将所述缺失比例大于第一比例阈值以及所述缺失比例小于第二比例阈值的缺失数据删除，并将所述缺失比例处于所述第一比例阈值和所述第二比例阈值之间的缺失数据作为目标标签，所述第一比例阈值大于所述第二比例阈值；

解析出所述个人信用评价数据集中不存在缺失的特征数据，并利用所述特征数据对所述缺失数据进行数据处理。

3.根据权利要求1所述的个人信用评价方法，其特征在于，对所述个人信用评价数据集进行数据预处理的步骤包括：

解析出所述个人信用评价数据集中存在异常的异常数据，并采用单变量离群检测法对所述异常数据进行箱线图的绘制；

将所述箱线图按照上下限、上下四分位、中位数以及异常点进行切割，并基于切割结果对所述异常数据进行数据处理。

4.根据权利要求1所述的个人信用评价方法，其特征在于，计算出所述第一数据集的特征重要度以及信息价值的步骤包括：

构建梯度下降树模型，并将所述第一数据集输入至所述梯度下降树模型中，以得到所述第一数据集的特征重要度；

利用预设分箱策略对所述第一数据集进行分箱处理，以得到分箱WOE值；

利用所述分箱WOE值和信息价值计算公式计算出所述第一数据集的信息价值。

5.根据权利要求4所述的个人信用评价方法，其特征在于，根据所述特征重要度和所述信息价值对所述第一数据集进行特征筛选，以得到优化后的特征变量集的步骤包括：

对所述特征重要度和所述信息价值进行归一化处理，以得到对应的特征重要得分以及信息价值得分；

根据所述特征重要得分以及所述信息价值得分得到对应的综合得分，并根据所述综合得分和预设累计贡献度阈值对所述第一数据集进行特征筛选，以得到优化后的特征变量集。

6.一种个人信用评价系统，其特征在于，包括：

数据预处理模块，用于获取个人信用评价数据集，并对所述个人信用评价数据集进行数据预处理，以得到第一数据集；

特征筛选模块，用于计算出所述第一数据集的特征重要度以及信息价值，并根据所述特征重要度和所述信息价值对所述第一数据集进行特征筛选，以得到优化后的特征变量集；

模型构建模块，用于将所述优化后的特征变量集划分为训练集和验证集，并将所述训练集输入至信用评分模型中进行模型训练，以得到个人信用评价模型；

信用评分模块，用于构建评分转换规则，并利用所述评分转换规则和所述个人信用评价模型对待评价数据进行信用评价。

7.根据权利要求6所述的个人信用评价系统，其特征在于，所述数据预处理模块包括：

缺失数据解析单元，用于解析出所述个人信用评价数据集中存在缺失的缺失数据，并计算出所述缺失数据在所述个人信用评价数据集中的缺失比例；

缺失数据处理单元，用于将所述缺失比例大于第一比例阈值以及所述缺失比例小于第二比例阈值的缺失数据删除，并将所述缺失比例处于所述第一比例阈值和所述第二比例阈值之间的缺失数据作为目标标签，所述第一比例阈值大于所述第二比例阈值；

特征数据解析单元，用于解析出所述个人信用评价数据集中不存在缺失的特征数据，并利用所述特征数据对所述缺失数据进行数据处理。