[发明专利]业务数据处理方法及计算机设备

说明书

本发明实施例所提供的业务数据处理方法及计算机设备，能够在第一业务区域和第二业务区域下都能够有效获取建模数据的场景下，利用算法的设计，在逐步迭代中有效提高原有模型样本中与第二业务区域中类似的样本的权重，同时减少原有模型中的非类似样本的权重。在迭代中，通过设定的迭代早停机制，在多轮迭代中，模型表现没有显著提升的情况下终止循环。这样一来，一方面避免了需要人工设定迭代次数的主观性，另一方面能够在循环终止的情况下，选出多轮迭代中表现最好的一个模型进行实际部署，解决了需要部署迭代中所有模型，以输出模型结果的复杂性。如此，能够提高风控模型的泛化性能，从而确保预测准确率不会出现偏差。

技术领域

本发明涉及数据特征处理技术领域，具体而言，涉及一种业务数据处理方法及计算机设备。

背景技术

随着全球经济一体化的发展，不同地区之间的金融信贷业务也呈现交互式发展。在进行金融信贷业务处理时，需要实现大数据风控处理。为了确保大数据风控体系在不同地区之间的兼容性，需要根据样本数据进行风控模型的建模，然而不同地区之间的样本数据的数据规模是不同的，这样会导致针对不同地区进行风控模型建模时可能导致风控模型的预测准确率出现偏差。

发明内容

为了改善上述问题，本发明提供了一种业务数据处理方法及计算机设备。

第一方面，提供一种业务数据处理方法，应用于计算机设备，所述方法包括以下步骤：

步骤S1，从目标数据平台获取在第一业务区域内的P个第一业务项目的第一反欺诈变量和第一欺诈客户标签，组成P个第一反欺诈建模样本数据集；其中，所述第一反欺诈变量作为建模的第一预测变量，所述第一欺诈客户标签作为建模的第一响应变量；其中，P为正整数；

步骤S2，基于所述P个第一反欺诈建模样本数据集分别训练一个目标模型，并从P个目标模型中选择AUC数值最高的模型作为模型S，将所述模型S的建模样本数据集确定为数据集S，将所述模型S的变量组合作为变量组合S；

步骤S3，根据所述变量组合S从所述目标数据平台中获取在第二业务区域内的第二业务项目的第二反欺诈变量和第二欺诈客户标签，组成第二反欺诈建模样本数据集T；其中，所述第二反欺诈变量作为建模的第二预测变量，所述第二欺诈客户标签作为建模的第二响应变量；

步骤S4，合并所述数据集S和所述数据集T得到数据集A；其中，所述数据集S的样本量为n，所述数据集T的样本量为m；对所述数据集A中的样本个体设置编号，编号为1到n+m，编号为1到n的样本个体来自数据集S，编号为n+1到n+m的样本个体来自数据集T；其中，n和m为正整数；

步骤S5，对所述数据集A中的样本个体分配初始权重；

步骤S6，设定用于记录迭代次数的整数型变量t，且对所述变量t赋值为1；其中，t为正整数；

步骤S7，针对所述数据集A，按照当前的样本权重，并使用所述变量组合S训练模型At；

步骤S8，调用所述模型At，对所述数据集A中的样本进行预测，输出欺诈标签的概率，并确定所述模型At相对于所述数据集T的预测损失et；

步骤S9，确定所述模型At相对于所述数据集T的预测性能指标AUC，并缓存所述预测性能指标AUC和所述欺诈标签的概率对应的模型预测结果；

步骤S10，根据所述预测损失et确定并更新所述数据集T中的样本的权重；

步骤S11，更新迭代所述变量t，将所述变量t的赋值加1；

步骤S12，对步骤S7至步骤S11进行循环迭代，直至满足迭代循环条件，以得到x个待处理模型；

步骤S13，基于所述x个待处理模型中的每个待处理模型相对于所述数据集T的预测性能指标AUC，确定出最终模型，并提取所述最终模型对应的模型参数作为与所述第二业务项目对应的建模参数。