[發(fā)明專利]信用評(píng)價(jià)方法和裝置以及梯度漸進(jìn)決策樹參數(shù)調(diào)整方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201780039489.5
• 申請(qǐng)日: 2017-09-28
• 公開（公告）號(hào): CN109496322B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 趙敏;林磊
• 申請(qǐng)（專利權(quán)）人: 深圳樂信軟件技術(shù)有限公司
• 主分類號(hào): G06Q10/06
• 分類號(hào): 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

信用評(píng)價(jià)方法和裝置以及梯度漸進(jìn)決策樹參數(shù)調(diào)整方法和裝置，該信用評(píng)價(jià)方法可以包括：將第一樣本數(shù)據(jù)分別輸入至少兩個(gè)梯度漸進(jìn)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(shù)據(jù)為第一用戶集的信用數(shù)據(jù)；將第二樣本數(shù)據(jù)分別輸入所述至少兩個(gè)GBDT模型中，得到第二信用逾期概率集，所述第二樣本數(shù)據(jù)為第二用戶集的信用數(shù)據(jù)；所述至少兩個(gè)GBDT模型的GBDT參數(shù)不同；根據(jù)所述第一信用逾期概率集和所述第二信用逾期概率集進(jìn)行KS值計(jì)算，根據(jù)計(jì)算結(jié)果，從所述至少兩個(gè)GBDT模型中確定目標(biāo)GBDT模型；以及根據(jù)所述目標(biāo)GBDT模型對(duì)用戶進(jìn)行信用評(píng)價(jià)。

技術(shù)領(lǐng)域

本公開涉及信息處理技術(shù)領(lǐng)域，例如涉及一種信用評(píng)價(jià)方法和裝置以及梯度漸進(jìn)決策樹參數(shù)調(diào)整方法和裝置。

背景技術(shù)

梯度漸進(jìn)決策樹(Gradient Boost Decision Tree，GBDT)是一種解決分類問題和回歸問題中常用的算法，優(yōu)點(diǎn)是具備很強(qiáng)的擬合能力和分類能力，但是過強(qiáng)的擬合能力可能會(huì)在測試集上出現(xiàn)過擬合現(xiàn)象。

相關(guān)技術(shù)中，采用GBDT模型對(duì)用戶進(jìn)行信用評(píng)價(jià)時(shí)，通常需要手動(dòng)對(duì)GBDT模型中的多個(gè)參數(shù)逐一進(jìn)行調(diào)整，以使GBDT模型輸出的信用逾期概率接近用戶真實(shí)的信用逾期概率，但是，在GBDT參數(shù)調(diào)整過程中，往往基于人為確定的參數(shù)值對(duì)參數(shù)進(jìn)行調(diào)整的，參數(shù)的精度不高，逐個(gè)參數(shù)調(diào)優(yōu)的方式得到的模型不穩(wěn)定，參數(shù)調(diào)整效率較低，對(duì)用戶進(jìn)行信用評(píng)價(jià)的準(zhǔn)確性較低。

發(fā)明內(nèi)容

本公開提供了一種信用評(píng)價(jià)方法和裝置以及梯度漸進(jìn)決策樹參數(shù)調(diào)整方法和裝置，可以實(shí)現(xiàn)提高GBDT模型的參數(shù)調(diào)整效率，提高GBDT模型的穩(wěn)定性保證對(duì)用戶進(jìn)行信用評(píng)價(jià)的準(zhǔn)確性。

一實(shí)施例提供了一種信用評(píng)價(jià)方法，可以包括：

將第一樣本數(shù)據(jù)分別輸入至少兩個(gè)梯度漸進(jìn)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(shù)據(jù)為第一用戶集的信用數(shù)據(jù)；

將第二樣本數(shù)據(jù)分別輸入所述至少兩個(gè)GBDT模型中，得到第二信用逾期概率集，所述第二樣本數(shù)據(jù)為第二用戶集的信用數(shù)據(jù)；所述至少兩個(gè)GBDT模型的GBDT參數(shù)不同；

根據(jù)所述第一信用逾期概率集和所述第二信用逾期概率集進(jìn)行KS值計(jì)算，根據(jù)計(jì)算結(jié)果，從所述至少兩個(gè)GBDT模型中確定目標(biāo)GBDT模型；以及根據(jù)所述目標(biāo)GBDT模型對(duì)用戶進(jìn)行信用評(píng)價(jià)。

一實(shí)施例提供了一種信用評(píng)價(jià)裝置，可以包括：

第一信用逾期概率獲取模塊，設(shè)置為將第一樣本數(shù)據(jù)分別輸入至少兩個(gè)梯度漸進(jìn)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(shù)據(jù)為第一用戶集的信用數(shù)據(jù)；

第二信用逾期概率獲取模塊，設(shè)置為將第二樣本數(shù)據(jù)分別輸入所述至少兩個(gè)GBDT模型中，得到第二信用逾期概率集，所述第二樣本數(shù)據(jù)為第二用戶集的信用數(shù)據(jù)；所述至少兩個(gè)GBDT模型的GBDT參數(shù)不同；

模型確定模塊，設(shè)置為根據(jù)所述第一信用逾期概率集和所述第二信用逾期概率集進(jìn)行KS值計(jì)算，根據(jù)計(jì)算結(jié)果，從所述至少兩個(gè)GBDT模型中確定目標(biāo)GBDT模型；以及評(píng)價(jià)模塊，設(shè)置為根據(jù)所述目標(biāo)GBDT模型對(duì)用戶進(jìn)行信用評(píng)價(jià)。

一實(shí)施例提供了一種梯度漸進(jìn)決策樹參數(shù)調(diào)整方法，可以包括：

依據(jù)梯度漸進(jìn)決策樹中調(diào)節(jié)參數(shù)的數(shù)目以及每個(gè)參數(shù)對(duì)應(yīng)的取值范圍確定粒子群優(yōu)化算法的定義域維度以及定義域范圍；

設(shè)定所述粒子群優(yōu)化算法的初始參數(shù)，根據(jù)所述粒子群優(yōu)化算法、所述定義域維度以及所述定義域范圍得到粒子群中每個(gè)粒子的軌跡最優(yōu)點(diǎn)；依據(jù)所述軌跡最優(yōu)點(diǎn)確定梯度漸進(jìn)決策樹的參數(shù)值。

一實(shí)施例提供了一種梯度漸進(jìn)決策樹參數(shù)調(diào)整裝置，包括：