[发明专利]一种基于网络结构特征选择的信用卡违约预测方法

权利要求书

1.一种基于网络结构特征选择的信用卡违约预测方法，其特征在于：包括以下步骤：

A构建特征网络：1)为每张信用卡的每个属性各创建一个特征节点，包括：卡号、开卡日期、最近消费额度，日均消费额、夜消费额、最高消费额；2)添加节点之间的边：计算矩阵中每两列之间的相关性系数，若计算出的相关性系数的绝对值大于给定阈值，则在相应的两节点之间添加一条边，且该边的权值为计算出的相关性系数的绝对值；

给定含n个样本的数据集T＝{(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，其中为样本或记录x_i在d个特征上的取值组成的d维特征向量，y_i∈{0，1}为样本x_i的标签，由所有的x_i组成一个n×d的矩阵X；X_i，j表示矩阵X的第i行和第j列的元素，X_*，j表示矩阵X的第j列；

步骤B：特征组划分：1)通过可视化结果图进行社区结构发现；2)将属于同一个社区的特征组成一个特征组；

C构建特征选择器：

1)：采用逻辑斯蒂回归模型作为分类或预测模型，

即：其中w＝(w₁，w₂，…，w_d)称为权值向量，w_i表示第i个特征对应的权值，b称为偏置，w^T·x为w和x的内积；

2)：运用“极大似然法”估计参数w和b；

给定训练数据集T＝{(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，似然损失函数为：

3)：将扩展后的稀疏组作为惩罚项，即：其中D是对角矩阵，对角线上的元素值分别为相应特征节点的加权度，||D^-1w||₁为权值向量w的受特征节点加权度限制的L₁范数，控制特征层面的选择，是特征组上的L_2，1范数且控制特征组层面的选择，其中K指从特征网络中发现的特征组总个数，C_g指第g个特征组，而λ₁，λ₂≥0；特征选择器具体为：

D选择特征子集：根据步骤C选出信用卡违约特征子集；

E预测违约几率；将新的信用卡样本，只取步骤D中的对应的特征值的数据。

2.根据权利要求1所述的一种基于网络结构特征选择的信用卡违约预测方法，其特征在于：步骤D具体的是采用梯度下降法作为基本求解方法，并在每一次迭代求解过程中运用近似算子和Moreau-Yosida正则化求解。

3.根据权利要求2所述的一种基于网络结构特征选择的信用卡违约预测方法，其特征在于：步骤A中的相关性系数具体的为：皮尔逊相关性系数、斯皮尔曼相关性系数和余弦相似性，具体的为：

其中1≤i，j，k≤n，X_i，j表示矩阵X中第i行和第j列的元素，X_*，j表示矩阵X的第j列，为X_*，j中所有元素的平均值，r_ij为X_i，j在X_*，j中的等级，为X_*，j中所有元素的平均等级，pc(j，k)指X_*，j和X_*，k的皮尔逊相关性系数，rc(j，k)指X_*，j和X_*，k的斯皮尔曼相关性系数，cc(j，k)指X_*，j和X_*，k的余弦相似性。