[发明专利]一种信用风险评估方法、系统、设备及计算机存储介质

说明书

本发明公开了一种信用风险评估方法、系统、设备及计算机存储介质，其中该方法包括：获取用户数据；基于用户数据提取用户特征；输入用户特征至预先创建的组合决策树模型，组合决策树模型为基于组合决策树算法生成的模型；获取组合决策树模型的输出结果，以基于输出结果对用户进行信用风险评估。由于组合决策树算法适合对大量用户数据建模，而且不受缺失值的影响，与现有技术相比，具有更高的适用性。综上所述，本发明公开的一种信用风险评估方法在一定程度上解决了如何提高现有的信用风险评估方法的适用性的技术问题。本发明公开的一种信用风险评估系统、设备及计算机存储介质也解决了相应的技术问题。

技术领域

本发明涉及信用风险评估技术领域，更具体地说，涉及一种信用风险评估方法、系统、设备及计算机存储介质。

背景技术

在金融领域中，金融公司需要对用户进行信用风险评估，根据信用风险评估结果来决定是否对用户进行放贷。

现有的一种信用风险评估方法是：对用户数据进行特征提取，对提取的特征进行WOE编码，用Logistic回归算法寻找与目标结果高度相关的变量。

然而，现有的一种信用风险评估方法的分类准确度低；Logistic回归算法要求不能存在缺失值，而且不适合对大量用户数据建模；使得现有的一种信用风险评估方法的适用性低。

综上所述，如何提高现有的信用风险评估方法的适用性是目前本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种信用风险评估方法，其能在一定程度上解决如何提高现有的信用风险评估方法的适用性的技术问题。本发明还提供了一种信用风险评估系统、设备及计算机存储介质。

为了实现上述目的，本发明提供如下技术方案：

一种信用风险评估方法，包括：

获取用户数据；

基于所述用户数据提取用户特征；

输入所述用户特征至预先创建的组合决策树模型，所述组合决策树模型为基于组合决策树算法生成的模型；

获取所述组合决策树模型的输出结果，以基于所述输出结果对用户进行信用风险评估。

优选的，预先创建组合决策树模型，包括：

基于当前模型参数创建当前组合决策树模型；

随机划分预设数量的测试特征为N份测试特征，N大于等于1且为正整数；

基于M份测试特征训练当前组合决策树模型，将K份测试特征输入当前组合决策树模型，并获取测试结果，N＝M+K，M大于等于1且为正整数，K大于等于1且为正整数；

判断差值是否大于等于预设的阈值，所述差值为每一个测试结果与该测试结果对应的测试特征的理论结果间的差值，若是，则确定当前组合决策树模型为预先创建的组合决策树模型，若否，则调整当前模型参数，返回执行基于当前模型参数创建当前组合决策树模型的步骤，直至当前组合决策树模型得到的差值大于等于预设的阈值。

优选的，所述基于所述用户数据提取用户特征，包括：

基于WOE编码方式在所述用户数据中提取用户特征。

优选的，所述输入所述用户特征至预先创建的组合决策树模型，包括：

输入所述用户特征至预先创建的组合决策树模型，所述组合决策树模型包括随机森林模型。

优选的，所述输入所述用户特征至预先创建的组合决策树模型，包括：

输入所述用户特征至预先创建的组合决策树模型，所述组合决策树模型包括GBDT模型。

优选的，所述获取用户数据，包括：