[发明专利]重要特征的筛选方法、装置及电子设备

说明书

本发明提供了的一种重要特征的筛选方法、装置及电子设备，涉及信息技术领域。该方法包括：判断目标特征是否满足预设的保留条件；如果目标特征满足保留条件，从多个特征中选取第二特征，基于目标特征和第二特征判断目标特征是否再次满足保留条件，以及基于目标特征和第二特征判断第二特征是否满足保留条件；将满足保留条件的目标特征和/或第二特征作为保留特征；将保留特征作为新的目标特征，从多个特征中选取除第一特征和第二特征之外的新的第二特征，重复执行上述判断步骤，直至用户输入的多个特征均参与判断步骤；将得到的各保留特征确定为多个特征中的重要特征。本发明能够有效提升重要特征的筛选可靠性。

技术领域

本发明涉及信息技术领域，尤其是涉及一种重要特征的筛选方法、装置及电子设备。

背景技术

随着大数据、人工智能技术的发展和普及，越来越多的金融机构增加了对机器学习的重视程度，将传统基于人工决策的管理方法逐步转变为以数据驱动为基础的智能化决策。特别是在银行个人金融业务中，如信用卡业务、消费金融业务等领域，因其单笔金额小、申请频率高、时效要求高等原因，导致使用传统人工审批的方式无法满足业务诉求。使用机器学习方法来进行风险管理，特别是基于逻辑回归的评分卡模型，因其易于解释、快速迭代、成熟稳定的特征，正逐渐被广大银行所采纳。同时，由于金融与科技的双向赋能，越来越多的高新技术在银行业落地实施，比如大数据技术、人工智能、云计算技术、设备指纹、生物识别、数字ID等，加上中国市场数字信息化建设进程加速，如社会公共服务数据建设、信息交换与共享、数据生态建设等原因，银行的数据正在以指数级增加。面对如此多维度的数据特征，如何从众多特征中筛选出重要、稳定、易于解释特征，对机器学习及数据挖掘过程尤为重要。

发明人研究发现，在涉及到较多特征的信用评估等场景中，现在所采用的方式仅是针对每个独立的特征进行重要性评估，筛选得到的重要特征并不准确，可见现有的重要特征的筛选方式的，可靠性较差。

发明内容

本发明实施例的目的在于提供一种重要特征的筛选方法、装置及电子设备，该方法能够有效提升重要特征的筛选可靠性。

第一方面，本发明实施例提供了一种重要特征的筛选方法，包括：接收用户输入的多个特征；从多个所述特征中选取第一特征，将所述第一特征作为目标特征；判断所述目标特征是否满足预设的保留条件；如果所述目标特征满足所述保留条件，从多个所述特征中选取第二特征，基于所述目标特征和所述第二特征判断所述目标特征是否再次满足所述保留条件，以及基于所述目标特征和所述第二特征判断所述第二特征是否满足所述保留条件；将满足所述保留条件的所述目标特征和/或所述第二特征作为保留特征；将所述保留特征作为新的目标特征，从多个所述特征中选取除所述第一特征和所述第二特征之外的一个其它特征；将选取的所述其它特征作为新的第二特征，重复执行上述判断步骤，直至所述用户输入的多个所述特征均参与所述判断步骤；将得到的所述保留特征确定为多个所述特征中的重要特征。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述方法还包括：如果所述目标特征不满足所述保留条件，将所述目标特征作为丢弃特征并输出。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述判断所述目标特征是否满足预设的保留条件的步骤，包括：将目标特征进行逻辑回归模型训练，计算获得逻辑回归因素系数β的似然参数估计值；根据所述似然参数计算拉格朗日乘数检验统计量值或Wald统计量值，并查询卡方分布表获得P-value值；判断所述P-value值是否大于预设的置信水平值；如果是，则满足所述保留条件。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述判断所述目标特征是否满足预设的保留条件的步骤，包括：将目标特征进行逻辑回归模型训练，计算获得逻辑回归因素系数β的似然参数估计值；根据所述似然参数计算边际效应，判断所述边际效应是否小于最大边际效应绝对值；如果是，则满足保留条件。