[发明专利]特征因子确定方法及设备

说明书

本实施例提供一种特征因子确定方法及设备，该方法包括：先根据N个候选特征因子，获取基准AUC值，各所述候选特征因子分别用于描述一种类型的风控特征，所述风控特征的类型包括如下中的至少一种：投保特征、承保特征或理赔特征；再根据各所述候选特征因子的重要性，获取AUC临界值以及AUC拟合曲线；再根据所述基准AUC值、所述AUC临界值以及所述AUC拟合曲线，在所述N个候选特征因子中确定目标特征因子，克服了使用单轮刀切法去筛选特征因子，不能评估入模特征因子的数量，对于入模的特征因子的数量只能由工作人员自己估测，存在偏差，无法合理的选择到最佳特征因子的问题。

技术领域

本发明涉及保险风控技术领域，尤其涉及一种特征因子确定方法及设备。

背景技术

目前，意外险和健康险存在部分欺诈行为，比如有些投保人在申请单上填写虚假高收入信息，借此信息来获得高保额，造成很大的欺诈嫌疑。对于此类行为，可以借助保险业务场景来搭建一套全面的、系统的、切合业务场景的数学模型，进而结合业务场景规则引擎，来多维度筛查虚假信息，并应用到核保规则中，来避免欺诈行为的发生。

目前数学模型的优化大体有三种：算法的优化、样本的优化，即筛选一部分优质的样本、特征因子的优化。其中现有的特征因子优化的方法主要为单轮刀切法，具体原理为：通过评估每一个特征因子对模型的效果，来排除对模型影响较小的特征因子，以此来完成特征因子对应的样本数据的属性规约，即筛选较合理的特征因子输入模型。

但是，使用单轮刀切法去筛选特征因子不能评估输入模型的特征因子的数量，对于输入模型的特征因子的数量只能由工作人员自己估测，存在偏差，无法合理的选择到最佳特征因子。

发明内容

本发明实施例提供一种特征因子确定方法及设备，克服了使用单轮刀切法去筛选特征因子，不能评估入模特征因子的数量，对于入模的特征因子的数量只能由工作人员自己估测，存在偏差，无法合理的选择到最佳特征因子的问题。

第一方面，本发明实施例提供一种特征因子确定方法，包括：

根据N个候选特征因子，获取基准AUC值，各所述候选特征因子分别用于描述一种类型的风控特征，所述风控特征的类型包括如下中的至少一种：投保特征、承保特征或理赔特征；

根据各所述候选特征因子的重要性，获取AUC临界值以及AUC拟合曲线；

根据所述基准AUC值、所述AUC临界值以及所述AUC拟合曲线，在所述N个候选特征因子中确定目标特征因子。

在一种可能的设计中，所述根据各所述候选特征因子的重要性，获取AUC临界值以及AUC拟合曲线，包括：

从所述N个候选特征因子中删除重要性最低的特征因子，将剩余的N-1个候选特征因子输入训练模型，得到所述训练模型输出的AUC值；

从所述N-1个候选特征因子中删除重要性最低的特征因子，将剩余的N-2个候选特征因子输入所述训练模型，得到所述训练模型输出的AUC值；

重复执行删除重要性最低的特征因子的操作，直至从剩余的2个候选特征因子中删除重要性最低的特征因子，将1个候选特征因子输入所述训练模型，得到所述训练模型输出的AUC值；

根据得到的N-1个AUC值，获取所述AUC临界值以及所述AUC拟合曲线。

在一种可能的设计中，所述根据得到的N-1个AUC值，获取所述AUC临界值以及所述AUC拟合曲线，包括：

将所述N-1个AUC值中的最大值作为所述AUC临界值；

对所述N-1个AUC值进行拟合，得到所述AUC拟合曲线。

在一种可能的设计中，所述根据所述基准AUC值、所述AUC临界值以及所述AUC拟合曲线，在所述N个候选特征因子中确定目标特征因子，包括：