[发明专利]信用风险预测模型训练方法、电子设备及可读存储介质

说明书

本申请公开了一种信用风险预测模型训练方法、电子设备及可读存储介质，应用于金融科技技术领域，所述信用风险预测模型训练方法包括：获取训练样本集以及训练样本集中各训练样本的样本权重；根据训练样本集和各样本权重，得到信用风险预测总模型，信用风险预测总模型由多个风险预测子模型组成；依据风险预测子模型的子模型预测结果，对风险预测子模型进行聚类，得到子模型群；依据子模型预测结果和子模型群，扩增训练样本集；返回执行步骤：根据训练样本集和各样本权重，迭代训练得到信用风险预测总模型，直至信用风险预测总模型满足预设迭代更新结束条件，得到目标信用风险预测总模型。本申请解决了用户信用风险的预测准确度低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种信用风险预测模型训练方法、电子设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对用户的信用水平也有更高的要求。

目前，为了评估用户的信用水平，通常依据训练好的多个风险子模型对于用户行为数据的预测信用风险和用户行为数据对应的真实信用风险，对待训练风险总模型进行训练，得到风险总模型，从而通过风险总模型预测用户的信用风险，但是该方法训练得到的风险总模型中可能存在少量风险子模型的模型权重较高，其余大量风险子模型的模型权重较低，容易出现由于风险总模型过于依赖少量的风险子模型，导致风险总模型的预测准确度低，所以，当前用户信用风险的预测准确度低。

发明内容

本申请的主要目的在于提供一种信用风险预测模型训练方法、电子设备及可读存储介质，旨在解决现有技术中用户信用风险的预测准确度低的技术问题。

为实现上述目的，本申请提供一种信用风险预测模型训练方法，应用于信用风险预测设备，所述信用风险预测模型训练方法包括：

获取用户的历史行为数据作为训练样本集以及所述训练样本集中各训练样本的样本权重；

根据所述训练样本集和各所述样本权重，迭代训练得到信用风险预测总模型，其中，所述信用风险预测总模型由多个风险预测子模型组成；

获取各所述风险预测子模型对于所述训练样本集的子模型预测结果，依据各所述子模型预测结果，对所述风险预测子模型进行聚类，得到至少一个子模型群；

依据各所述子模型预测结果和各所述子模型群，优化各所述样本权重，以扩增所述训练样本集；

返回执行步骤：根据所述训练样本集和各所述样本权重，迭代训练得到信用风险预测总模型，直至所述信用风险预测总模型满足预设迭代更新结束条件，得到目标信用风险预测总模型。

为实现上述目的，本申请还提供一种信用风险预测装置，所述信用风险预测装置应用于信用风险预测设备，所述信用风险预测装置包括：

获取模块，用于获取用户的历史行为数据作为训练样本集以及所述训练样本集中各训练样本的样本权重；

训练模块，用于根据所述训练样本集和各所述样本权重，迭代训练得到信用风险预测总模型，其中，所述信用风险预测总模型由多个风险预测子模型组成；

聚类模块，用于获取各所述风险预测子模型对于所述训练样本集的子模型预测结果，依据各所述子模型预测结果，对所述风险预测子模型进行聚类，得到至少一个子模型群；

扩增模块，用于依据各所述子模型预测结果和各所述子模型群，优化各所述样本权重，以扩增所述训练样本集；

优化模块，用于返回执行步骤：根据所述训练样本集和各所述样本权重，迭代训练得到信用风险预测总模型，直至所述信用风险预测总模型满足预设迭代更新结束条件，得到目标信用风险预测总模型。