[发明专利]基于迁移学习的风控方法及系统、计算机装置、存储介质

摘要

本发明提供一种基于迁移学习的风控方法，所述方法筛选源样本中若干和目标样本相似的样本，合并筛选后的源样本和目标样本训练弱分类器，组合弱分类器生成强分类器来生成风险识别模型，利用所生成的风险识别模型根据待审核的现金贷业务的信息识别待审核的现金贷业务的风险级别，以及根据识别结果进行风控。本发明还提供实现所述基于迁移学习的风控方法的系统、计算机装置、存储介质。本发明可对现金贷业务进行有效风险预测。

主权项

1.一种基于迁移学习的风控方法，其特征在于，所述方法包括：获取步骤，获取源样本D′_s和目标样本D_t，其中，所述源样本D′_s包括k个样本，所述目标样本D_t包括m个样本，将所述源样本D′_s和目标样本D_t作为总样本，从而总样本的数目等于所述源样本的数目k和所述目标样本的数目m之和；第一设置步骤，为所述总样本中每个样本分别设置初始权重，以及根据所述总样本中的每个样本的权重获得每个样本的权重向量；第二设置步骤，设置最大迭代次数为N次，t表示迭代次数；第一执行步骤，基于所述总样本中的每个样本的权重以及所述每个样本的权重向量计算所述每个样本在第t次迭代时的权重比率；第二执行步骤，将所述源样本D′_s与所述目标样本D_t混合获得混合后的总样本，以线性回归作为基分类器，将混合后的总样本结合每个样本在第t次迭代时的权重比率训练所述基分类器获得一个弱分类器；第三执行步骤，计算所述弱分类器误分类所述目标样本D_t的错误率；第四执行步骤，计算所述源样本D′_s的权重更新速率，以及根据所述目标样本D_t被误分类的错误率计算所述目标样本D_t的权重更新速率；第五执行步骤，根据所述目标样本D_t的权重更新速率以及所述源样本D′_s的权重更新速率确定所述源样本D′_s和目标样本D_t中的每个样本在第t+1次迭代时的权重；判断步骤，判断当前是否已经执行了N次迭代，其中，若当前尚未执行N次迭代，则设置t＝t+1后触发所述第一执行步骤；若当前已经执行了N次迭代，则触发第六执行步骤；所述第六执行步骤，根据第N/2次到第N次迭代过程中所训练获得的弱分类器分别对所总样本的风险级别的预测，组合该第N/2次到第N次迭代过程中所训练获得的弱分类器获得一个强分类器；及第七执行步骤，将所述强分类器作为风险识别模型，利用所述风险识别模型根据待审核的贷款业务的信息识别待审核的贷款业务的风险级别，并根据识别结果进行风控。