[发明专利]一种基于蒙特卡罗搜索的信用评分卡特征选择方法

摘要

本发明公开了一种基于蒙特卡罗搜索的信用评分卡特征选择方法，包括：在信用风险评级场景，获得信用评分特征数据；初始化蒙特卡罗搜索树；选择未被完全扩展节点，使用偏回归平方和指标进行复合策略扩展；在扩展后的树结构基础上，在随机模拟策略中引入偏回归平方和划定随机选择域，生成模拟路径；基于每一条路径所选择的特征分别使用交叉验证方法进行逻辑回归建模，并计算相关统计量；基于UCB公式选择最佳路径。采用本发明提出的信用评分卡特征选择方法，可以极大地提升信用评分卡的建模效果，保证信用评分卡的建模特征最优，从根本上自动化信用评分卡构建的特征选择过程，可以广泛应用在信用风险控制领域。

主权项

1.一种基于蒙特卡罗搜索的信用评分卡特征选择方法，其特征在于，该方法包括以下步骤：(1)在信用风险评级场景，获得信用评分特征数据；每位用户的信用评分特征记为X{x1,x2,x3,…xn}，其中n为初始信用评分特征数量；(2)初始化蒙特卡罗搜索树：创建根节点，设其访问次数为0，此时根节点为最佳路径，将根节点的候选特征集P初始化为步骤(1)中得到的集合X；(3)基于当前的蒙特卡罗搜索树，选择未被完全扩展的节点，使用偏回归平方和最大的N个候选特征作为节点的扩展域，缩小搜索空间后，再进行节点扩展；(4)在步骤(3)扩展后的树结构基础上，在随机模拟策略中，引入偏回归平方和划定随机选择域，生成模拟路径；(5)在步骤(4)生成的树结构基础上，遍历树结构的每条路径，基于每条路径所选择的特征计算模型评估统计量及各节点的节点访问次数，将相关统计量反向传播到对应路径的各个节点上；(6)根据树结构使用UCB公式计算并比较各个节点的score值，将score值最大的节点作为该层的最优节点，逐层选择层最优节点，形成最佳路径；(7)重复步骤(3)‑(6)直到达到预期搜索次数或最佳路径上所有节点均扩展完全，产出最优特征组合。