[發明專利]信用評價方法和裝置以及梯度漸進決策樹參數調整方法和裝置

有效

• 申請號: 201780039489.5
• 申請日: 2017-09-28
• 公開（公告）號: CN109496322B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 趙敏;林磊
• 申請（專利權）人: 深圳樂信軟件技術有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06K9/62
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 蔣黎麗;胡彬

1.一種信用評價方法，包括：

將第一樣本數據分別輸入至少兩個梯度漸進決策樹GBDT模型中，得到第一信用逾期概率集，所述第一樣本數據為第一用戶集的信用數據；

將第二樣本數據分別輸入所述至少兩個GBDT模型中，得到第二信用逾期概率集，所述第二樣本數據為第二用戶集的信用數據；所述至少兩個GBDT模型的GBDT參數不同；

根據所述第一信用逾期概率集和所述第二信用逾期概率集進行KS值計算，根據計算結果，從所述至少兩個GBDT模型中確定目標GBDT模型；以及

根據所述目標GBDT模型對用戶進行信用評價。

2.根據權利要求1所述的方法，其中，根據所述第一信用逾期概率集和第二信用逾期概率集進行KS值計算，根據計算結果，從所述至少兩個GBDT模型中確定目標GBDT模型，包括：

根據所述第一信用逾期概率集以及所述第一用戶集對應的第一實際信用逾期概率集進行KS值計算，得到第一KS集；

根據所述第二信用逾期概率集以及所述第二用戶集對應的第二實際信用逾期概率集進行KS值計算，得到第二KS集；以及

對所述第一KS集和所述第二KS集進行比較計算，根據計算結果，從所述至少兩個GBDT模型中確定所述目標GBDT模型。

3.根據權利要求2所述的方法，其中，對所述第一KS集和所述第二KS集進行比較計算，根據計算結果，從所述至少兩個GBDT模型中確定所述目標GBDT模型，包括：

將根據相同GBDT模型得到的所述第一KS集中的KS值與所述第二KS集中的KS值進行取最小值計算，得到第三KS集；

對所述第三KS集中包含的KS值進行取最大值計算，得到目標KS值；以及

將所述至少兩個GBDT模型中與所述目標KS值對應的GBDT模型確定為所述目標GBDT模型。

4.根據權利要求2所述的方法，其中，將第一樣本數據分別輸入至少兩個梯度漸進決策樹GBDT模型中之前，還包括：

根據粒子群優化PSO算法，確定所述至少兩個GBDT模型的GBDT參數。

5.根據權利要求4所述的方法，其中，根據粒子群優化算法PSO算法，確定所述至少兩個GBDT模型的GBDT參數，包括：

將GBDT模型中的參數個數映射為PSO算法的定義域維度；

將GBDT模型中每個所述參數的取值范圍映射為PSO算法的定義域范圍；

從所述定義域維度對應的定義域范圍內抽取至少兩組維度值數據，作為至少兩個粒子；

通過PSO算法計算所述至少兩個粒子的軌跡最優點；其中，所述軌跡最優點是指粒子走過的軌跡中使目標函數達到最大值的點，所述目標函數為對所述第一KS集中的KS值與所述第二KS集中的KS值取最小值的函數以及

將所述至少兩個粒子的軌跡最優點對應的維度值數據映射回GBDT模型中，得到至少兩組GBDT參數。

6.根據權利要求1所述的方法，其中，根據所述目標GBDT模型對用戶進行信用評價，包括：

將所述用戶的信用數據輸入所述目標GBDT模型，得到所述用戶的信用逾期概率；以及

將所述用戶的信用逾期概率與預設信用逾期概率閾值進行比較，得到所述用戶的信用評價結果。

7.一種信用評價裝置，包括：

第一信用逾期概率獲取模塊，設置為將第一樣本數據分別輸入至少兩個梯度漸進決策樹GBDT模型中，得到第一信用逾期概率集，所述第一樣本數據為第一用戶集的信用數據；

第二信用逾期概率獲取模塊，設置為將第二樣本數據分別輸入所述至少兩個GBDT模型中，得到第二信用逾期概率集，所述第二樣本數據為第二用戶集的信用數據；所述至少兩個GBDT模型的GBDT參數不同；

模型確定模塊，設置為根據所述第一信用逾期概率集和所述第二信用逾期概率集進行KS值計算，根據計算結果，從所述至少兩個GBDT模型中確定目標GBDT模型；以及

評價模塊，設置為根據所述目標GBDT模型對用戶進行信用評價。