[發明專利]基于構建的預測模型低成本、高區分度的數據分類方法

在審

• 申請號: 201811568315.0
• 申請日: 2018-12-21
• 公開（公告）號: CN109685133A
• 公開（公告）日: 2019-04-26
• 發明（設計）人: 韓晗;陳銳浩;陳貽汕
• 申請（專利權）人: 四川新網銀行股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 成都智言知識產權代理有限公司 51282
• 代理人: 李龍;徐金瓊

1.一種基于構建的預測模型低成本、高區分度的數據分類方法，其特征在于，如下步驟：

S1、基于現有任一數據源，構建一個連續預測變量的二分類器，該連續預測變量使用n個不含時間信息的自變量和m個含時間信息的自變量來共同預測；

S2、根據二分類器在連續預測變量范圍內的預測結果，將連續預測變量范圍分成三個區間，即左區間、中間區間和右區間；

S3、基于中間區間和二分類器，構建伴生指數；

S4、左區間和右區間的數據采用二分類器進行預測，中間區間的數據采用二分類器和伴生指數聯合預測，得到最終數據的分類。

2.根據權利要求1所述的一種基于構建的預測模型低成本、高區分度的數據分類方法，其特征在于，所述步驟S1中二分類器為logistic regression，probit model，gradientboosting decision tree多種機器學習類模型中的一種。

3.根據權利要求1所述的一種基于構建的預測模型低成本、高區分度的數據分類方法，其特征在于，所述步驟S3的具體步驟為：

S3.1、計算二分類器所使用自變量的信息飽和度，即計算n個不含時間信息的變量和m個含時間信息的變量的信息飽和度；

S3.2、給定兩類別加權后不含時間信息的變量的總權重α和步驟S3.2中得到的m個含時間信息的變量的權重w_i，兩類別為不含時間信息的變量和含時間信息的變量；

S3.3、根據總權重α和m個含時間信息的變量的權重w_i構成的m+1維參數空間，計算連續預測變量的權重；

S3.4、根據步驟S3.1-步驟3.3得到最終的伴生指數ICI。

4.根據權利要求3所述的一種基于構建的預測模型低成本、高區分度的數據分類方法，其特征在于，所述步驟3.1的步驟包括：

二分類器使用n個不含時間信息的變量x_i，i＝1，...，n，，計算第i個非時間類變量的信息飽和度的計算公式為：

二分類器使用m個含時間信息的變量x_i，i＝n+1，...，n+m，根據經驗選取對應x_i的閾值L_i，使得當x_i≥L_i在該變量有足夠長時間的信息，按照給定閾值來線性取值來計算第i個時間類變量的信息飽和度，計算公式為：

5.根據權利要求3或4所述的一種基于構建的預測模型低成本、高區分度的數據分類方法，其特征在于，所述步驟3.2中，

伴生指數在二分類器指定的中間區間的區分度最大，即AUC值最大，n個不含時間信息的變量的總權重α和m個含時間信息的變量的權重w_i需滿足條件為：

其中，C₁和C₂為時間類和非時間類變量在ICI里面的相對比重決定的上限和下限。

6.根據權利要求5所述的一種基于構建的預測模型低成本、高區分度的數據分類方法，其特征在于，所述步驟3.3的具體計算方式為：

使用單變量的信息飽和度計算n個變量的權重，否則對m個變量量化搜索，即采用格點搜索方法搜索m+1維參數空間(α，w_n+1，...，w_n+m)，基于優化條件計算公式為：

其中，IV_i是第i個變量的Information Value值，是在二分類機器學習問題中基于Weight of Evidence技術用來對輸入自變量進行編碼和評估其預測能力的指數。

7.根據權利要求6所述的一種基于構建的預測模型低成本、高區分度的數據分類方法，其特征在于，所述步驟3.4中，伴生指數ICI的計算公式為：