[發明專利]征信數據的特征項處理方法、裝置、計算機設備

在審

• 申請號: 201711122160.3
• 申請日: 2017-11-14
• 公開（公告）號: CN108022146A
• 公開（公告）日: 2018-05-11
• 發明（設計）人: 張詩雨;賴曉彬;劉奕慧
• 申請（專利權）人: 深圳市牛鼎豐科技有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F17/30
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 謝曲曲

本發明涉及一種征信數據的特征項處理方法、裝置、計算機設備及存儲介質，包括：對征信數據中的樣本數據進行分組，從樣本數據中提取特征項，計算每個特征項的信息值，提取信息值高于預設值的特征項，計算提取的特征項的信息增益值和基尼系數，根據信息增益值和基尼系數篩選特征項，得到篩選后的特征項，采用逐步回歸算法剔除篩選后的特征項中的多重共線性特征項，得到最終特征項。由于計算出了信息增益值和基尼系數，可以更加快速的挑選出有效的特征項，而且使用逐步回歸算法剔除特征項中的多重共線性特征項，可以使信用評分更加精確。

技術領域

本發明涉及計算機技術領域，特別是涉及一種征信數據的特征項處理方法、裝置、計算機設備及存儲介質。

背景技術

隨著市場經濟的不斷發展和征信報告數據的不斷增加，征信報告數據中數據的特征項也越來越多。特征項是對目標變量有顯著的區分作用的已知變量，在對客戶的信用進行評分時，通常需要挑選出有效的特征項用于建模，以用于對客戶的信用進行評分。傳統的特征項的處理方法都是計算特征項的信息值，選取信息值符合標準的特征項用于建模對客戶的信用進行評分。

傳統的特征項的處理方法比較單一，都是簡單的以信息值大于設定值為標準挑選特征項，使用這種方式挑選特征項后剩余的特征項還是很多，并且不太準確，導致特征項不能被有效的挖掘，從而影響對信用的評分。

發明內容

基于此，有必要針對上述特征項不能被有效的挖掘，影響對信用的評分的問題，提供一種征信數據的特征項處理方法、裝置、計算機設備及存儲介質。

一種征信數據的特征項處理方法，所述方法包括：

對征信數據中的樣本數據進行分組；

從所述樣本數據中提取特征項；

計算每個所述特征項的信息值；

提取所述信息值高于預設值的特征項；

計算提取的特征項的信息增益值和基尼系數，根據所述信息增益值和基尼系數篩選特征項，得到篩選后的特征項；

采用逐步回歸算法剔除所述篩選后的特征項中的多重共線性特征項，得到最終特征項。

在一個實施例中，所述樣本數據分為正樣本和負樣本；所述計算每個所述特征項的信息值包括：

獲取所述樣本數據中的正樣本數量總和和負樣本數量總和；

對于每一個特征項，獲取所述樣本數據中任意一組樣本數據中的正樣本數量和負樣本數量，計算所述正樣本數量占所述正樣本數量總和的第一比率和所述負樣本數量占所述負樣本數量總和的第二比率；

根據所述第一比率和第二比率計算特征項的信息值。

在一個實施例中，所述計算提取的特征項的信息增益值，包括：

計算提取的特征項的信息熵和條件熵；

所述提取的特征項的信息增益值為所述信息熵與所述條件熵的差值。

在一個實施例中，所述計算提取的特征項的基尼系數，包括：

計算提取的所述信息值高于預設值的特征項的概率；

根據所述概率計算所述提取特征項的基尼系數。

在一個實施例中，所述采用逐步回歸算法剔除所述篩選后的特征項中的多重共線性特征項，得到最終特征項，包括：

依次對所述篩選后的特征項進行檢驗，得到檢驗后的特征項；

當前一個檢驗后的特征項的顯著性低于后一個篩選后的特征項的顯著性時，刪除前一個篩選后的特征項。

在一個實施例中，在所述得到最終特征項之后，還包括：