[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

本發明公開了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，屬于分類預測技術領域，解決現有技術中需要通過獲取更多的數據來制作多個二分類器，造成數據獲取時間長，獲取成本高等問題。本發明包括基于現有任一數據源，構建一個連續預測變量的二分類器，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；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；基于中間區間和二分類器，構建伴生指數；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。本發明用于利用同一數據源進行數據區間分類。

技術領域

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，用于利用同一數據源進行數據區間分類，屬于統計學、機器學習算法、分類預測技術領域。

背景技術

在機器學習和統計中，分類是基于包含其類別成員資格已知的觀察(或實例)的訓練數據集來識別新觀察所屬的一組類別(子群體)中的對應問題。例如，將給定的電子郵件分配給“垃圾郵件”或“非垃圾郵件”類，并根據觀察到的患者特征(性別，血壓，某些癥狀的存在或不存在等)為給定患者分配診斷。在機器學習的術語中，分類預測被認為是監督學習的一個實例，即學習后可獲得用于正確識別觀察的訓練集。

二分類器性能在很大程度上取決于要分類的數據的特征。精度和召回是用于評估分類系統質量的常用度量。ROC(Receiving Operating Curve)曲線已用于評估分類算法的真實和假陽性率之間的權衡，由此衍生出另外一個常用的二分類器區分度的指標為AUC值(Area Under the Curve)。

據我們所知，給定一個訓練好的二分類器，暫無使用現有數據變量來提升其區分度的方法。行業一般做法是根據不同的數據源分別開發幾個不同的二分類器，綜合使用來交叉覆蓋單個二分類器不能準確預測結果的樣本。例如，考慮預測一個樣本是“yes”還是“no”的二分類問題。如果有兩個不同的數據源，基于第一個數據源開發了二分類器1，基于第二個數據源開發了二分類器2。兩個二分類器都以一個[300，900]區間的連續取值打分為基礎，打分高于某個閾值(即第一個二分類器針對數據源打分后，得到打分區間范圍，是否高于某個閾值(針對第一個二分類器打分設置的)，再結合第二次二分類器進行打分，判斷低于閾值區間的打分是否高于再次設置的某個閾值(針對第二次二分類器打分設置的)，就預測為“yes”，否則預測為“no”。那么，可以綜合兩個二分類器，做出二維交叉矩陣，來根據建模樣本在每個交叉區間中的表現來做聯合預測。如圖1所示，以數據為例說明了該方案的應用方式。

根據數據源所需要的分類，也有可以結合兩個或多個二分類器做模型融合的各種方案 (例如model averaging，ensemb Ie Iearning，stacking等等)。

這些方案都是基于有兩個或者多個二分類器的基礎，其中的前提是需要有不同的數據來制作不同的二分類器。這樣就會存在如下不足之處：

一是、用于構建新的二分類器的新數據，需再次進行查詢，從而造成增加新數據查詢時間，最終延長該二分類器響應請求的時間，降低用戶體驗；

二是、查詢的新數據是要是真實可用的，大部分情況都是要通過與第三方建立獲取關聯，即要第三方授權獲取，從而增加數據成本。

發明內容

針對上述研究的問題，本發明的目的在于提供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，解決現有技術中的分類方法對數據進行分類，需要通過獲取更多的數據來制作多個二分類器，造成數據獲取時間長、獲取成本高、消耗資源開鎖高等問題。

為了達到上述目的，本發明采用如下技術方案：

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：