[發明專利]信用評分模型的訓練方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110107067.5
• 申請日: 2021-01-26
• 公開（公告）號: CN112785420A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 張琛;梁秀欽;陳嘉真
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N20/00
• 代理公司: 北京超成律師事務所 11646
• 代理人: 孔默

本申請提供了一種信用評分模型的訓練方法、裝置、電子設備及存儲介質，該方法包括：從多個歷史用戶的原始數據中提取原始數據的第一統計特征數據，第一統計特征數據包括原始數據所屬的目標數據類型，確定原始數據在目標數據類型下的第二統計特征數據，根據第一統計特征數據和第二統計特征數據，確定至少一個待選訓練的初始機器學習模型，采用第一統計特征數據和第二統計特征數據，訓練至少一個初始機器學習模型，得到至少一個目標機器學習模型，從至少一個目標機器學習模型中選擇出目標信用評分模型。利用該方法，能夠實現更加精確的信用評分預測。

技術領域

本申請涉及信用評估技術領域，特別涉及一種信用評分模型的訓練方法、裝置、電子設備及存儲介質。

背景技術

風險控制是金融領域中的核心基礎。當金融機構發放貸款額度的時候，需要知道如何評判一組貸款申請人。其中，利用申請人的個人信用評分進行評判，是一種方便有效的評判方法。個人信用評分是銀行或者其他金融機構利用所獲得的關于信用申請人的信息，進行風險預測的一種方式和技術，使用個人信用評分可以量化貸款的風險。目前，人們在實際使用中利用個人信用評分得到個人信用分數時，可以使用信用評分模型，模型的輸入是申請人的某些信息，比如，最近一年的履約情況、最近一年的支付金額、風險分數等，模型的輸出即為申請人的個人信用分數，信用分數越高表示申請人償還貸款的可能性越大。對于一組申請人，可以按照個人的信用分數做一個排序，來判斷優先發放貸款的順序。

現有技術中，生成信用評分模型的方式可以是使用機器學習方式，把歷史申請人的原始數據信息提煉為特征數據得到訓練數據集，選取合適的機器學習算法，調整算法參數，訓練得到一個信用評分模型，然后對于新的申請人，可以用這個模型來計算個人信用分數。

但是，現有技術中使用機器學習方式生成信用評分模型的方法，當數據變化的時候需要重新選擇機器學習算法并重新訓練模型，但是由于機器學習算法的類型很多，所以在重新訓練模型的時候會面臨很多選擇，同時，機器學習算法所需要的特征工程比較復雜，耗費人力和時間，因此，使用現有技術的方法，存在處理復雜、效率較低的問題。

發明內容

有鑒于此，本申請的目的在于提供一種信用評分模型的訓練方法、裝置、電子設備及存儲介質，以解決現有技術中進行信用評分時處理復雜、效率低下的問題。

第一方面，本申請實施例提供一種信用評分模型的訓練方法，包括：

從多個歷史用戶的原始數據中提取所述原始數據的第一統計特征數據，所述第一統計特征數據包括：所述原始數據所屬的目標數據類型；

確定所述原始數據在所述目標數據類型下的第二統計特征數據；

根據所述第一統計特征數據以及所述第二統計特征數據，確定至少一個待選訓練的初始機器學習模型；

采用所述第一統計特征數據以及所述第二統計特征數據，訓練所述至少一個初始機器學習模型，得到至少一個目標機器學習模型；

從所述至少一個目標機器學習模型中選擇出目標信用評分模型。

作為一種可能的實現方式，所述從多個歷史用戶的原始數據中提取所述原始數據的第一統計特征數據，包括：

獲取所述多個歷史用戶的至少一個數據維度上的原始數據；

分別從所述多個歷史用戶的至少一個數據維度上的原始數據中提取所述第一統計特征數據。

作為一種可能的實現方式，所述第一統計特征數據還包括：特征覆蓋率、卡方統計量、互信息以及線性相關系數。

作為一種可能的實現方式，所述確定所述原始數據在所述目標數據類型下的第二統計特征數據，包括：