[发明专利]分箱处理方法、装置、电子设备及计算机存储介质

说明书

本发明公开了一种分箱处理方法、装置、电子设备及计算机存储介质。其中，所述方法包括：根据分箱总数将数据集初步分为n个箱，得到n‑1个分箱切点；以组合方式对n‑1个分箱切点进行遍历，从n‑1个分箱切点中选择n‑2个分箱切点作为备用分箱切点；根据n‑2个备用分箱切点将数据集分为n‑1个箱，确定种预备分箱方式；若种预备分箱方式中没有满足限制条件的分箱结果，则继续从n‑1个分箱切点中选择n‑3个分箱切点作为备用分箱切点，依次循环直至有满足限制条件的分箱结果，从满足限制条件的分箱结果中选取最佳分箱结果。本方案通过自动化调整分箱，对所有满足限制条件的分箱结果进行择优选取，能够区分能力最强的分箱结果，从而实现自动化最优分箱调整。

技术领域

本发明涉及分箱处理技术领域，具体涉及一种分箱处理方法、装置、电子设备及计算机存储介质。

背景技术

在信用评分卡模型开发过程中，特征分箱是提高模型效果和鲁棒性的关键环节，模型开发人员通常要花费大量时间对特征进行分箱，分箱有很多细节要求，但最重要的是要与业务含义保持一致，满足金融机构对信用评分卡模型可解释性的要求。在传统信用评分卡模型开发过程中，这种分箱调整通常要依赖于建模人员的个人经验，花费大量时间和精力，才能开发出一份高质量的模型。

分箱的整体过程是先对特征进行初始分箱，然后对特征的初始分箱结果进行调整，直到其满足业务逻辑，初始分箱通常由算法(例如等频、等距、卡方、决策树等)自动给出，但算法只考虑数值上的最优，并不会对分箱的结果进行业务合理性的判断，这就导致初始分箱的结果可能是杂乱无章的。同时，在这个过程中，也要考虑到信息的损失，如果分箱结果过于粗放，那么该特征的预测效果也会显著下降。

举个例子，某个信贷产品的特定客群中，收入水平的初始分箱，在结果上可能呈现出下表的表现，在业务理解上，该客群呈现出收入水平越高，坏样本率越低的整体趋势，这与业务理解相一致。但是，在40-50万的分箱中，坏样本率突然升高，这可能是因为该区间样本太少，导致个别坏样本的出现拉高了区间的坏样本率，也可能是由于数据采集的原因导致。但无论是什么原因，对于这种情况，都要对40-50万分箱进行优化调整，使得其满足坏样本率下降的整体趋势。一种可行的优化方法，是将40-50万和50万以上两个分箱进行合并，最终成为40万以上的单个分箱，此时该调整后的分箱坏样本率如果小于4％，那么在业务理解上就是合理的。同样，另一种可行的优化方法，是将10万以上直到40-50万共5个分箱合并为一个，即50万以下，得到该箱的坏样本率高于2％，这在业务理解上同样是合理的，但是，这种情况下信息损失过大，50万以下年收入的样本数据所呈现的规律全都被牺牲了，这种优化虽然是业务合理的，但并不是一种好的优化方法。