[发明专利]客户信用评价方法及装置

权利要求书

1.一种客户信用评价方法，其特征在于，所述的方法包括：

采集待评价客户的信用评价数据；

根据所述信用评价数据和预先建立的信用评价模型对待评价客户进行信用评价；其中，所述信用评价模型为利用输入特征数据进行模型训练得到的，所述的输入特征数据为根据预设的信息值阈值从经过特征选取及离散处理的预设的模型训练用的信用评价数据中确定的。

2.如权利要求1所述的客户信用评价方法，其特征在于，所述的信用评价数据包括：客户个人信息特征数据、客户信用往来特征数据、客户财产状况特征数据、客户行为偏好特征数据、客户的运营商信息特征数据及逾期标识数据。

3.如权利要求1所述的客户信用评价方法，其特征在于，所述的方法包括：利用预设的信用评价数据进行训练和预设的初始信用评价模型确定建立的信用评价模型；其包括：

获取模型训练用的预设的信用评价数据；

对所述的信用评价数据进行特征选取确定候选特征数据；

对所述的候选特征数据进行离散化；

根据离散化的候选特征数据的信息值和预设的信息值阈值从所述的候选特征数据中确定输入特征数据；

根据确定的输入特征数据对预设的初始信用评价模型进行训练确定建立的信用评价模型。

4.如权利要求3所述的客户信用评价方法，其特征在于，所述的对所述的信用评价数据进行特征选取确定候选特征数据之前包括：

对所述的信用评价数据进行预处理，删除信用评价数据中的重复数据、异常数据。

5.如权利要求3所述的客户信用评价方法，其特征在于，所述的对所述的信用评价数据进行特征选取确定候选特征数据包括：

利用有监督的机器学习算法从所述信用评价数据中确定第一候选特征数据；

利用无监督的机器学习算法从所述信用评价数据中确定第二候选特征数据；

将所述的第一候选特征数据和第二候选特征数据作为所述候选特征数据。

6.如权利要求3所述的客户信用评价方法，其特征在于，所述的对所述的候选特征数据进行离散化包括：

利用卡方分箱对所述的候选特征数据进行离散化。

7.如权利要求3所述的客户信用评价方法，其特征在于，所述的根据离散化的候选特征数据的信息值和预设的信息值阈值从所述的候选特征数据中确定输入特征数据包括：

确定所述离散化的候选特征数据中逾期客户的占比和未逾期客户的占比；

根据离散化的候选特征数据的权重值及候选特征数据中逾期客户的占比和未逾期客户的占比确定离散化的候选特征数据的信息值；

离散化的候选特征数据的信息值大于预设的信息值阈值的离散化的候选特征数据作为第一输入特征数据；

利用lightGBM模型对信息值不大于预设的信息值阈值的离散化的候选特征数据进行训练确定样本的违约概率值作为第二输入特征数据；

将所述的第一输入特征数据和第二输入特征数据作为确定的输入特征数据。

8.如权利要求3所述的客户信用评价方法，其特征在于，所述的根据确定的输入特征数据对预设的初始信用评价模型进行训练确定建立的信用评价模型包括：

利用分层抽样从所述的输入特征数据获取训练集数据和测试集数据；

利用所述的训练集数据和测试集数据对预设的初始信用评价模型进行模型训练及验证；

将KS指标最大值对应的信用评价模型参数作为建立的信用评价模型参数，以确定建立的信用评价模型；其中，所述的KS指标为未逾期账户与逾期账户的累计分布比例之间最大的差距值。

9.一种客户信用评价装置，其特征在于，所述的装置包括：

数据采集模块，用于采集待评价客户的信用评价数据；

评价模块，用于根据所述信用评价数据和预先建立的信用评价模型对待评价客户进行信用评价；其中，所述信用评价模型为利用输入特征数据进行模型训练得到的，所述的输入特征数据为根据预设的信息值阈值从经过特征选取及离散处理的预设的模型训练用的信用评价数据中确定的。