[發明專利]評分卡模型構建方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 202110078425.4
• 申請日: 2021-01-20
• 公開（公告）號: CN112785415A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 陳希蔓;陳婷;吳三平;莊偉亮
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

本發明公開了一種評分卡模型構建方法、裝置、設備及計算機可讀存儲介質，該方法包括：獲取客戶的信用行為數據，并將所述信用行為數據作為訓練數據，以基于所述訓練數據對GBDT模型進行訓練，其中，所述GBDT模型包括多棵決策樹；在對所述GBDT模型中的各所述決策樹進行訓練時，確定所述決策樹的非葉子節點中的待定異常節點，并對所述待定異常節點進行校驗，確定所述待定異常節點中的異常節點；基于所述異常節點，重新訓練所述GBDT模型，在訓練完成所述GBDT模型后得到對應的評分卡模型。本發明通過控制GBDT模型內部的結構，對GBDT模型進行優化，使評分卡模型不僅保留了GBDT模型的優秀效果，而且保證了模型的可解釋性。

技術領域

本發明涉及金融科技(Fintech)技術領域，尤其涉及一種評分卡模型構建方法、裝置、設備及計算機可讀存儲介質。

背景技術

隨著計算機技術的發展，越來越多的技術(大數據、分布式、區塊鏈Blockchain、人工智能等)應用在金融領域，傳統金融業正在逐步向金融科技(Fintech)轉變，但由于金融行業的安全性、實時性要求，也對技術提出了更高的要求。

現有的評分卡模型通常使用通用型評分卡模型或者GBDT模型。其中，金融場景的通用型評分卡模型依次采用變量分箱、WOE轉換、之后再利用邏輯回歸擬合的方法進行構建評分卡模型，其全過程可以人工介入干預模型，可以避免模型朝著錯誤的方向擬合。GBDT模型屬于黑箱模型，給定輸入的變量，輸入的目標標簽，GBDT直接按照擬合誤差最小的方向去訓練；由于數據源可能存在噪音，GBDT模型可能會擬合這些噪音，導致模型不夠精確，用在金融場景，會發生誤判等情況，容易造成資金損失。

但是，通用型評分卡模型屬于簡單可解釋的模型，但是模型預測效果不佳；而GBDT模型屬于集成樹模型，雖然模型效果好但是欠缺解釋性。

上述內容僅用于輔助理解本發明的技術方案，并不代表承認上述內容是現有技術。

發明內容

本發明的主要目的在于提供一種評分卡模型構建方法、裝置、設備及計算機可讀存儲介質，旨在解決GBDT模型可解釋性差的技術問題。

為實現上述目的，本發明提供一種評分卡模型構建方法，所述評分卡模型構建方法包括以下步驟：

獲取客戶的信用行為數據，并將所述信用行為數據作為訓練數據，以基于所述訓練數據對GBDT模型進行訓練，其中，所述GBDT模型包括多棵決策樹；

在對所述GBDT模型中的各所述決策樹進行訓練時，確定所述決策樹的非葉子節點中的待定異常節點，并對所述待定異常節點進行校驗，確定所述待定異常節點中的異常節點；

基于所述異常節點，重新訓練所述GBDT模型，在訓練完成所述GBDT模型后得到對應的評分卡模型。

可選地，在對所述GBDT模型中的各所述決策樹進行訓練時，確定所述決策樹的非葉子節點中的待定異常節點的步驟包括：

在對所述GBDT模型中的各所述決策樹進行訓練時，確定所述決策樹中的非葉子節點各分支的正樣本占比，以及確定所述非葉子節點對應的單變量趨勢；

基于所述正樣本占比和所述單變量趨勢，確定所述非葉子節點中的待定異常節點。

可選地，所述基于所述正樣本占比和所述單變量趨勢，確定所述非葉子節點中的待定異常節點的步驟包括：

確定所述非葉子節點左分支的第一正樣本占比以及右分支的第二正樣本占比；

基于所述第一正樣本占比和第二正樣本占比，確定所述GBDT模型在所述非葉子節點上的節點趨勢；

基于所述GBDT模型在所述非葉子節點上的節點趨勢和所述單變量趨勢，確定所述非葉子節點中的待定異常節點。