[发明专利]风险评估方法、装置、设备及存储介质

说明书

本发明公开了一种风险评估方法，包括：获取样本数据，并对所述样本数据进行归一化处理；利用果蝇算法对经归一化处理后的样本数据进行迭代处理，得到模糊K近邻的近邻个数和模糊强度系数；根据所述近邻个数和所述模糊强度系数构建基于所述模糊K近邻的风险评估模型；基于所述风险评估模型对待评估数据进行风险评估。本发明实施例中，将果蝇算法融入到模糊K近邻中来确定模糊K近邻的近邻个数和模糊强度系数，算法设置参数少，能快速、准确地找到近邻个数和模糊强度系数的最优值，从而构建出风险评估准确率更高的基于模糊K近邻的风险评估模型，以提高风险评估的准确性。本发明还提供一种风险评估装置、设备及存储介质。

技术领域

本发明涉及信息技术领域，尤其涉及一种风险评估方法、评估装置、评估设备及存储介质。

背景技术

在无抵押纯信用贷款不断升温的形势下，风险评估成为商业银行风险管理中十分重要的工作之一，对商业银行的生存和发展起着重要影响。

随着信息技术的发展，人工智能技术越来越多的被应用于风险评估中以构建基于人工智能技术的风险评估模型。其中，神经网络作为一种具有自组织、自适应、自学习特点的非参数模型，不仅对样本数据的分布要求不严格，而且还具有非线性映射能力、泛化能力和较高的预测精度，因而，被广泛应用于风险评估模型构建中，如模式神经网络、概率神经网络、朴素贝叶斯模型和多层感知机等均被广泛应用于风险评估模型的构建。

与基于统计分析的风险评估模型相比，基于神经网络的风险评估模型更直观、易理解，能更好地解决风险评估这种非线性模式分类问题。但是，这种基于神经网络的风险评估模型不仅具有结构复杂，具有黑箱性质、决策过程缺乏透明度等问题，而且网络权重参数和结构难以确定、训练效率低等问题。

为解决上述问题，K近邻和模糊K近邻被广泛应用于风险评估中，在基于K近邻的风险评估中，其并没有对测试样本与近邻样本之间的距离进行考虑，而是赋予近邻样本以相同的权重，从而使得风险评估的评估准确性较低；在现有的基于模糊K近邻的风险评估中，无法确定近邻个数和模糊强度系数，而导致风险评估的评估准确率较低。

综上，如何提高风险评估的评估准确性成为本领域技术人员亟待解决的问题。

发明内容

本发明实施例提供了一种风险评估方法、装置、设备及存储介质，能够快速、准确地找到模糊K近邻中近邻个数和模糊强度系数的最优值，从而构建出风险评估准确率更高的基于模糊K近邻的风险评估模型，以提高风险评估的准确性。

本发明实施例的第一方面，提供了一种风险评估方法，包括：

获取样本数据，并对所述样本数据进行归一化处理；

利用果蝇算法对经归一化处理后的样本数据进行迭代处理，得到模糊K近邻的近邻个数和模糊强度系数；

根据所述近邻个数和所述模糊强度系数构建基于所述模糊K近邻的风险评估模型；

基于所述风险评估模型对待评估数据进行风险评估。

进一步地，所述利用果蝇算法对经归一化处理后的样本数据进行迭代处理，得到模糊K近邻的近邻个数和模糊强度系数，包括：

设置果蝇算法的果蝇群体规模、目标步长值和最大迭代次数；

根据归一化处理后的样本数据初始化果蝇群体的群体位置；

根据所述群体位置和所述目标步长值确定所述果蝇群体中果蝇个体的飞行方向和飞行距离；

计算基于所述飞行方向和所述飞行距离飞行后的每一个果蝇个体的味道浓度值；

将味道浓度值最大的果蝇个体所在的位置重新确定为果蝇群体的群体位置，并将果蝇群体的当前迭代次数增加一次数单位；

判断增加一次数单位后的当前迭代次数是否等于所述最大迭代次数；