[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

说明书

本发明提供一种个人信用评价方法、系统、可读存储介质及计算机设备，该方法包括：获取个人信用评价数据集，并对个人信用评价数据集进行数据预处理得到第一数据集；计算出第一数据集的特征重要度及信息价值，并根据特征重要度和信息价值对第一数据集进行特征筛选得到优化后的特征变量集；将优化后的特征变量集划分为训练集和验证集，并将训练集输入至信用评分模型中进行模型训练得到个人信用评价模型；构建评分转换规则，并利用评分转换规则和个人信用评价模型对待评价数据进行信用评价。本发明一方面扩展机器学习算法在金融风控领域的应用，另一方面完善了现有的个人用户信用评分理论和方法，为金融机构对个人用户风险评分提供了理论支持。

技术领域

本发明涉及数字处理技术领域，特别涉及一种个人信用评价方法、系统、可读存储介质及计算机设备。

背景技术

早期银行采用的信用评分方法主要为专家法和统计分析方法，例如Logistic回归和线性判别分析(LDA)。专家法是由专业的信用审核专家依据一些要素决定申请人是否合格，最早出现的专家法为“5C”判别法，即品德与声望(character)、资格与能力(capacity)、资金实力(capital or cash)、担保(collateral)、经营条件或商业周期(condition)。此外还有“5W”判别法、“5P”判别法等。专家法虽然能一定程度的降低金融风险，达到信用评级的目的，但是太过依赖专家的主观判断，不同专家间或许难以达成共识。随着风控研究的发展，研究人员逐渐将特征进行量化，统计分析方法应用到了信用评分领域。

国内外关于信用评分方法的研究大致经历了专家审核、统计学方法和人工智能模型三个阶段。专家法出现在早期的研究中，虽然能一定程度的降低金融风险，达到信用评级的目的，但太过依赖专家的主观判断，不同专家间或许难以达成共识。以Logistics回归、LDA等为代表的统计学方法开始逐渐替代专家法，这种方法优点是可解释性强。但该类方法对数据集的分布和质量要求严格，如果分布不符合前置假设则会造成模型预测精度偏低，从而达不到预计的效果。随着机器学习算法取得越来越好的效果，信用评分方法来到了人工智能模型阶段。

现阶段使用方法以单一模型为主，大多是从模型优化的角度对信用评分模型提出了改进思路。虽然这些模型都有着较好的性能，但单一模型即使算法参数最优，也可能达到预测性能上限。近年来，越来越多的集成模型被应用到信用评分领域，许多研究都证明集成学习算法的优异性能。除此之外，信贷数据往往都存在质量不高、特征维度高的问题。目前从数据处理和特征选择角度对信用评分模型优化的研究较少，大多是从模型和算法角度进行优化。

发明内容

基于此，本发明的目的是提供一种个人信用评价方法、系统、可读存储介质及计算机设备，以至少解决上述技术中的不足。

本发明提出一种个人信用评价方法，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。

进一步的，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；