[发明专利]集成学习的客户贷款风险预估方法

权利要求书

1.一种集成学习的客户贷款风险预估方法，其特征在于，该方法包括：

收集信贷风险评估数据集作为样本数据，训练得到LightGBM算法模型和TabNet算法模型；

将LightGBM算法模型中的输出结果作为第一特征向量，将TabNet算法模型中的全连接层的输入结果作为第二特征向量；

将所述第一特征向量和第二特征向量进行拼接聚合，将拼接聚合后形成的第三特征向量输入到LR回归模型进行训练得到融合后的预测模型，根据融合后形成的所述预测模型对客户的贷款风险进行预测。

2.如权利要求1所述的预估方法，其特征在于，所述LightGBM算法模型和TabNet算法模型并行处理。

3.如权利要求1所述的预估方法，其特征在于，所述融合后的预测模型采用如下公式进行分类：

其中，z＝θ₀+θ₁x+…+θ_nx_n＝θ^Tx，θ为LR模型训练确定的权重，x为第三特征向量的特征值。

4.如权利要求3所述的预估方法，其特征在于，所述第一特征向量的生成包括：

通过样本数据训练LightGBM算法模型；

将所述LightGBM算法模型通过多轮迭代，每轮产生一个弱分类器，记录第i轮的弱分类器为T(x；θ_i)，其中，x为样本输入数据，θ_i为第i轮的模型参数；

将弱分类器T(x；θ_i)的所有叶子节点的输出作为一个编码向量，并将所有的编码向量进行拼接得到所述第一特征向量。

5.如权利要求3所述的预估方法，其特征在于，所述第二特征向量的生成包括：

通过样本数据训练TabNet算法模型；

输入的数据批标准化处理后，进入TabNet算法模型中的多个加性模型内，其中，每个加性模型对数据的处理步骤一致；

将每个加性模型的输出结果相加后得到所述第二特征向量，并作为全连接层的输入。

6.如权利要求4或5所述的预估方法，其特征在于，所述的收集信贷风险评估数据集作为样本数据包括：

分别采集用户的申请表数据、信用记录、用户贷款数据、用户还款数据、信用卡消费数据；

对上述数据进行预处理并聚合到一张表中，形成包含用户基本属性、用户征信属性、用户贷款还款属性、用户消费属性的多个维度的表。

7.如权利要求5所述的预估方法，其特征在于，所述加性模型的架构包括Attentivetransformer层、Mask层、Feature transformer层、Split层和ReLU层，其中，所述Attentivetransformer层根据上一步的结果得到当前步的MASK层所需的权重分配，所述MASK层对矩阵向量进行筛选，所述Feature transformer层对当前步所选取的特征进行计算处理，再通过所述Split层将所述Feature transformer层输出的向量切成两部分，一部分输出给ReLU层，一部分用于计算下一步的MASK层，多个加性模型的输出通过ReLU层的激活函数相加后得到所述第二特征向量。

8.如权利要求6所述的预估方法，其特征在于，所述的预处理包括：缺失值补充、数据清洗、数据聚合、数据规范化处理。

9.如权利要求1所述的预估方法，其特征在于，所述方法还包括对融合后的所述预测模型进行五折交叉验证。

10.一种计算机程序，用于当所述计算机程序在计算机、处理器或可编程硬件组件上运行时执行根据权利要求1至9中任一项所述方法之一。