[发明专利]一种基于胶囊网络的信用评估模型方法及其存储介质

权利要求书

1.一种基于胶囊网络的信用评估模型方法，其特征在于，包括如下步骤：

用户数据处理步骤S110：

获取用户信用数据，包括好用户数据和坏用户数据，其中坏客户表示在两年内存在违约记录的用户，反之则为好客户，对所述用户信息数据进行预处理，过滤掉缺失，异常的信息，对数据做清洗和预处理，并利用数字的方式进行赋值，以用于后续的步骤；

指标成像处理步骤S120：

按照数据中每个指标变量的数值对应图像中一个像素点的原则，将步骤S110处理过的指标变量根据反映客户特征信息的不同方面重组聚合成一定的用户信用指标特征矩阵，并且在不足的像素区域使用零代替，并将用户信用指标特征矩阵转换为用户的信用特征成像图；

构建胶囊网络体系结构步骤S130：

构建胶囊网络体系结构，依次包括：输入层、注意力机制层、主胶囊层、数字胶囊层和输出层，

其中，所述输入层用于输入所述用户信息经过成像处理得到的用户的信用特征成像图；

注意力机制层，用于强调和选择目标处理对象的重要信息，并且抑制无关的细节信息，选择聚焦位置，产生更具分辨性的特征表示；

主胶囊层，用于对成像图特征进一步提炼并整合，主胶囊层通过一定数量的卷积核进行特征提取，单个卷积核进行普通卷积操作后进行封装，得到一定数量的主胶囊；

数字胶囊层，用于通过每个胶囊活动向量的长度即胶囊向量的模预测其属于某个用户类别的概率，其中每个胶囊表示一种预测用户的类型，在数字胶囊层的每层中含有2个胶囊，其中每个胶囊表示一种用户类型，两种用户类型包括好客户类型与坏客户类型；

输出层，用于计算数字胶囊层的预测概率，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值；

训练胶囊网络对用户信用特征成像图分类步骤S140：

将步骤S120的用户信用特征成像图作为胶囊网络的输入，利用构建的胶囊网络进行图像分类处理，所述胶囊网络用户信用特征成像图分为两类，包括好用户信用特征成像图与坏用户信用特征成像图，所述胶囊网络对输入的用户信用特征成像图进行以好用户信用特征成像图与坏用户信用特征成像图的类别进行预测分类，将用户信用特征成像图数据分为80%训练集和20%测试集，通过训练集对胶囊网络进行训练，得到分类器，测试集数据对分类器的准确性进行验证；

计算用户违约概率值S150：

对于训练后的胶囊网络，将用户信息经过成像处理后得到的用户信用特征成像图经输入层进入胶囊网络，利用胶囊网络进行计算，最终通过输出层，输出客户好坏类别结果，将特征空间的数据映射到相应客户类别，并输出用户类别的预测概率，即为用户的违约概率值。

2.根据权利要求1所述的基于胶囊网络的信用评估模型方法，其特征在于，

所述数据清洗处理步骤S110中，要进行缺失值的处理，处理方法包括直接删除含有缺失值的样本数据、根据样本数据之间的相似性，使用能代表变量中心趋势的值进行填补和根据变量之间的相关关系填补缺失值。

3.根据权利要求2所述的基于胶囊网络的信用评估模型方法，其特征在于，

所述数据清洗处理步骤S110中，所述数据预处理步骤中还包括异常值检测，找出对于明显偏离大多数抽样数据的数值，异常值检测采用离群值检测的方法，包括单变量离群值检测、局部离群值因子检测和基于聚类方法的离群值检测等或者利用箱型图的方式查看异常值并进行相应剔除处理。

4.根据权利要求1所述的基于胶囊网络的信用评估模型方法，其特征在于，

在指标成像处理步骤S120中，在所述用户信用指标特征矩阵的取值时，将用户信用指标特征的取值对应乘以255以得到对应像素点的亮度，然后对数据表中的数据形式进行转换，对于x个单列指标变量，需要转化为d﹡d的用户信用特征指标变量矩阵：

，

第一列为1~d

第二列为d+1~2d

第三列为2d+1~3d

⋯⋯

其中表示向上取整。