[發明專利]基于集成學習的互聯網金融風控預測方法

在審

• 申請號: 202210287645.2
• 申請日: 2022-03-22
• 公開（公告）號: CN114580782A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 岳鈞;李開恒;王正寧;周釗聿;周樂瑤
• 申請（專利權）人: 四川省自然資源科學研究院（四川省生產力促進中心）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/02;G06Q40/04;G06K9/62
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 許馳

1.基于集成學習的互聯網金融風控預測方法，其特征在于，包括：

S1、構建預測模型，預測模型包括第一層模型和第二層模型，第一層模型包括k個基礎模型，第二層模型包括一個基礎模型，第一層模型的輸出作為第二層模型的輸入；

S2、獲取數據集，并對數據集進行數據處理；

S3、處理后的數據集導入預測模型對其進行優化訓練，獲得最優預測模型；

S4、待預測數據導入到最優預測模型獲得風控預測結果。

2.根據權利要求1所述的基于集成學習的互聯網金融風控預測方法，其特征在于，在S1中，k不小于2，第一層模型的基礎模型各不相同。

3.根據權利要求1所述的基于集成學習的互聯網金融風控預測方法，其特征在于，在S2中進行數據處理包括：

S21、采用特殊空字符串處理、常量列清理、重復列清理、非法值替換和異常值清理對數據集進行分析處理；

S22、將分析處理后的數據集分為連續性數據和離散性數據；

S23、對離散性數據進行獨熱編碼(one-hot)，對連續性數據進行歸一化處理，形成處理后的數據集D；

S24、將數據集D劃分為多份數據，數據的數量等于第一層模型中基礎模型的數量k。

4.根據權利要求3所述的基于集成學習的互聯網金融風控預測方法，其特征在于，在S3中包括：

S31、處理后的數據集導入第一層模型，獲得第一層模型中每個基礎模型的預測結果的集合表示為

S32、根據第一層模型中每個基礎模的預測結果的集合確定第一層模型的第一預測結果；

S33、計算第一層模型的誤差，基礎模型的損失函數為其中p_i為基礎模型對第i條數據的預測結果，y_i為第i條數據的真實標簽值，并以AUC(Area under the Curve of ROC)作為模型性能的衡量指標優化第一層模型的基礎模型；

S34、第一預測結果導入第二層模型進行訓練優化，獲得最優預測模型。

5.根據權利要求4所述的基于集成學習的互聯網金融風控預測方法，其特征在于，在S31中，將數據集D中的一份數據作為第一層模型的驗證數據，其余的k-1份數據作為第一層模型的訓練數據，對第一層模型共計完成k次訓練，并獲得第一層模型中每個基礎模型的預測結果的集合表示為其中f_i為第一層模型中第i個基礎模型，每個基礎模型經過所有訓練數據完成訓練得到的預測結果集合記為其中為第k份訓練數據下的預測結果集合，AUC集合為Γ_i＝{α_i1，α_i2，α_i3，...α_ik)其中α_ik為第k份訓練數據的AUC。

6.根據權利要求4所述的基于集成學習的互聯網金融風控預測方法，其特征在于，在S32中，將每個基礎模型f_i訓練的預測結果進行集成得到第一層模型的第一預測結果表示為其α_i表示基礎模型AUC的值，第一層模型完成訓練得到的第一預測結果集D_new，表示為

7.根據權利要求4所述的基于集成學習的互聯網金融風控預測方法，其特征在于，在S33中，每個基礎模型的誤差為∈_i，服從零均值方差為協方差的多維正態分布，所有基礎模型的平均預測所得誤差為最終的平方誤差的期望為

8.根據權利要求6所述的基于集成學習的互聯網金融風控預測方法，其特征在于，在S34中，第一預測結果集D_new作為第二層模型f_i的訓練數據進行訓練，訓練后輸出最終結果Y_s＝f_i(D_new)。