[發(fā)明專利]業(yè)務(wù)預(yù)測方法及裝置

有效

• 申請?zhí)枺?/td>: 202011366789.4
• 申請日: 2020-11-30
• 公開（公告）號: CN112200392B
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計）人: 顧凌云;謝旻旗;段灣;王震宇;張陽
• 申請（專利權(quán)）人: 上海冰鑒信息科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/08;G06N20/00;G06F17/18;G06Q10/06
• 代理公司: 成都頂峰專利事務(wù)所(普通合伙) 51224
• 代理人: 匡睿

1.一種業(yè)務(wù)預(yù)測方法，其特征在于，應(yīng)用于計算機設(shè)備，所述方法包括：

獲取第一業(yè)務(wù)樣本集和第二業(yè)務(wù)樣本集，所述第一業(yè)務(wù)樣本集包括訓(xùn)練樣本集、測試樣本集和驗證樣本集，所述第二業(yè)務(wù)樣本集包括拒絕樣本集，其中，所述第一業(yè)務(wù)樣本集用于表示業(yè)務(wù)驗證通過的業(yè)務(wù)樣本，所述第二業(yè)務(wù)樣本集用于表示業(yè)務(wù)驗證被拒絕的業(yè)務(wù)樣本；

根據(jù)第一業(yè)務(wù)樣本集和第二業(yè)務(wù)樣本集進行訓(xùn)練獲得業(yè)務(wù)預(yù)測模型，并根據(jù)所述業(yè)務(wù)預(yù)測模型對接收到的待預(yù)測業(yè)務(wù)信息進行預(yù)測，獲得所述待預(yù)測業(yè)務(wù)信息對應(yīng)的業(yè)務(wù)預(yù)測結(jié)果；

所述根據(jù)第一業(yè)務(wù)樣本集和第二業(yè)務(wù)樣本集進行訓(xùn)練獲得業(yè)務(wù)預(yù)測模型的步驟，包括：

根據(jù)所述訓(xùn)練樣本集建立第一邏輯回歸模型和第一機器學(xué)習(xí)模型；

根據(jù)所述第一機器學(xué)習(xí)模型對第一業(yè)務(wù)樣本集和第二業(yè)務(wù)樣本集進行迭代樣本分析，并根據(jù)樣本分析結(jié)果從所述拒絕樣本集中篩選得到目標拒絕樣本集；

根據(jù)所述目標拒絕樣本集和所述訓(xùn)練樣本集建立第二邏輯回歸模型，并分別根據(jù)所述第一邏輯回歸模型和所述第二邏輯回歸模型對所述測試樣本集和所述驗證樣本集進行分析，得到所述第一邏輯回歸模型的第一評價指標和所述第二邏輯回歸模型的第二評價指標；

根據(jù)所述第一評價指標和所述第二評價指標確定最終的業(yè)務(wù)預(yù)測模型；

所述根據(jù)所述第一機器學(xué)習(xí)模型對第一業(yè)務(wù)樣本集和第二業(yè)務(wù)樣本集進行迭代樣本分析，并根據(jù)樣本分析結(jié)果從所述拒絕樣本集中篩選得到目標拒絕樣本集的步驟，包括：

根據(jù)所述第一機器學(xué)習(xí)模型對所述測試樣本集進行分析，建立初始AUC和初始KS；

根據(jù)所述第一機器學(xué)習(xí)模型對所述拒絕樣本集進行分析，基于分析獲得的概率分數(shù)對所述拒絕樣本集中的拒絕樣本進行排序，得到排序拒絕樣本集；

從所述排序拒絕樣本集中選擇不同預(yù)設(shè)規(guī)則范圍的拒絕樣本集，并根據(jù)所述訓(xùn)練樣本集和每個預(yù)設(shè)規(guī)則范圍的拒絕樣本集建立對應(yīng)的第二機器學(xué)習(xí)模型；

根據(jù)每個對應(yīng)的第二機器學(xué)習(xí)模型從所述拒絕樣本集中篩選得到目標拒絕樣本集；

所述根據(jù)每個對應(yīng)的第二機器學(xué)習(xí)模型從所述拒絕樣本集中篩選得到目標拒絕樣本集的步驟，包括：

分別基于每個對應(yīng)的第二機器學(xué)習(xí)模型對所述測試樣本集進行預(yù)測，生成每個第二機器學(xué)習(xí)模型的預(yù)測結(jié)果的候選AUC和候選KS；

從各個候選AUC中選擇最大候選AUC作為目標AUC，從各個候選KS中選擇最大KS作為目標KS；

判斷當前配置的評價指標為AUC指標還是KS指標，在當前配置的評價指標為AUC指標時，判斷所述目標AUC與預(yù)設(shè)容忍度指數(shù)之和是否大于所述初始AUC；

當所述目標AUC與預(yù)設(shè)容忍度指數(shù)之和大于所述初始AUC時，將所述目標AUC對應(yīng)的預(yù)設(shè)規(guī)則范圍的拒絕樣本集作為篩選拒絕樣本集，并將所述目標AUC賦值給所述初始AUC，選取所述目標AUC對應(yīng)的第二機器學(xué)習(xí)模型作為新的第一機器學(xué)習(xí)模型，并從排序拒絕樣本集中剔除所述篩選拒絕樣本集后，返回執(zhí)行根據(jù)所述第一機器學(xué)習(xí)模型對所述測試樣本集進行分析，建立初始AUC和初始KS的步驟，直到所述目標AUC與預(yù)設(shè)容忍度指數(shù)之和不大于所述初始AUC時，將所有的篩選拒絕樣本集確定為目標拒絕樣本集；

當所述目標AUC與預(yù)設(shè)容忍度指數(shù)之和不大于所述初始AUC時，將所述目標AUC對應(yīng)的預(yù)設(shè)規(guī)則范圍的拒絕樣本集確定為目標拒絕樣本集；或者

在當前配置的評價指標為KS指標時，判斷所述目標KS與預(yù)設(shè)容忍度指數(shù)之和是否大于所述初始KS；

當所述目標KS與預(yù)設(shè)容忍度指數(shù)之和大于所述初始KS時，將所述目標KS對應(yīng)的預(yù)設(shè)規(guī)則范圍的拒絕樣本集作為篩選拒絕樣本集，并將所述目標KS賦值給所述初始KS，選取所述目標KS對應(yīng)的第二機器學(xué)習(xí)模型作為新的第一機器學(xué)習(xí)模型，并從排序拒絕樣本集中剔除所述篩選拒絕樣本集后，返回執(zhí)行根據(jù)所述第一機器學(xué)習(xí)模型對所述測試樣本集進行分析，建立初始AUC和初始KS的步驟，直到所述目標KS與預(yù)設(shè)容忍度指數(shù)之和不大于所述初始KS時，將所有的篩選拒絕樣本集確定為目標拒絕樣本集；

當所述目標KS與預(yù)設(shè)容忍度指數(shù)之和不大于所述初始KS時，將所述目標KS對應(yīng)預(yù)設(shè)規(guī)則范圍的拒絕樣本集確定為目標拒絕樣本集；

所述分別根據(jù)所述第一邏輯回歸模型和所述第二邏輯回歸模型對所述測試樣本集和所述驗證樣本集進行分析，得到所述第一邏輯回歸模型的第一評價指標和所述第二邏輯回歸模型的第二評價指標的步驟，包括：

根據(jù)所述第一邏輯回歸模型對所述測試樣本集和所述驗證樣本集分別進行概率預(yù)測，得到所述測試樣本集和所述驗證樣本集的第一概率預(yù)測結(jié)果，并根據(jù)所述第二邏輯回歸模型對所述測試樣本集和所述驗證樣本集分別進行概率預(yù)測，得到所述測試樣本集和所述驗證樣本集的第二概率預(yù)測結(jié)果；

分別計算所述第一概率預(yù)測結(jié)果的第一AUC和第一KS，以及所述第二概率預(yù)測結(jié)果的第二AUC和第二KS，以將所述第一AUC和第一KS確定為第一邏輯回歸模型的第一評價指標，將所述第二AUC和第二KS確定為所述第二邏輯回歸模型的第二評價指標；

所述根據(jù)所述第一評價指標和所述第二評價指標確定最終的業(yè)務(wù)預(yù)測模型的步驟，包括：

獲取所述第二AUC相較于所述第一AUC的第一提升幅度，以及所述第二KS相較于所述第一KS的第二提升幅度；

如果所述第一提升幅度大于設(shè)定幅度，和/或所述第二提升幅度大于設(shè)定幅度，則確定所述第二邏輯回歸模型為最終的業(yè)務(wù)預(yù)測模型；

如果所述第一提升幅度不大于設(shè)定幅度，且所述第二提升幅度不大于設(shè)定幅度，則確定所述第一邏輯回歸模型為最終的業(yè)務(wù)預(yù)測模型。