信用评价方法和装置以及梯度渐进决策树参数调整方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109496322A(43)申请公布日2019.03.19(21)申请号201780039489.5(51)Int.Cl.(22)申请日2017.09.28G06Q10/06(2012.01)G06K9/62(2006.01)(85)PCT国际申请进入国家阶段日2018.12.25(86)PCT国际申请的申请数据PCT/CN2017/1040692017.09.28(71)申请人深圳乐信软件技术有限公司地址518000广东省深圳市南山区粤海街道科苑南路3099号中国储能大厦第24层(72)发明人赵敏林磊(74)专利代理机构北京品源专利代理有限公司11332代理人蒋黎丽胡彬权利要求书3页说明书11页附图5页(54)发明名称信用评价方法和装置以及梯度渐进决策树参数调整方法和装置(57)摘要信用评价方法和装置以及梯度渐进决策树参数调整方法和装置，该信用评价方法可以包括：将第一样本数据分别输入至少两个梯度渐进决策树GBDT模型中，得到第一信用逾期概率集，所述第一样本数据为第一用户集的信用数据；将第二样本数据分别输入所述至少两个GBDT模型中，得到第二信用逾期概率集，所述第二样本数据为第二用户集的信用数据；所述至少两个GBDT模型的GBDT参数不同；根据所述第一信用逾期概率集和所述第二信用逾期概率集进行KS值计算，根据计算结果，从所述至少两个GBDT模型中确定目标GBDT模型；以及根据所述目标GBDT模型对用户进行信用评价。CN109496322ACN109496322A权利要求书1/3页1.一种信用评价方法，包括：将第一样本数据分别输入至少两个梯度渐进决策树GBDT模型中，得到第一信用逾期概率集，所述第一样本数据为第一用户集的信用数据；将第二样本数据分别输入所述至少两个GBDT模型中，得到第二信用逾期概率集，所述第二样本数据为第二用户集的信用数据；所述至少两个GBDT模型的GBDT参数不同；根据所述第一信用逾期概率集和所述第二信用逾期概率集进行KS值计算，根据计算结果，从所述至少两个GBDT模型中确定目标GBDT模型；以及根据所述目标GBDT模型对用户进行信用评价。2.根据权利要求1所述的方法，其中，根据所述第一信用逾期概率集和第二信用逾期概率集进行KS值计算，根据计算结果，从所述至少两个GBDT模型中确定目标GBDT模型，包括：根据所述第一信用逾期概率集以及所述第一用户集对应的第一实际信用逾期概率集进行KS值计算，得到第一KS集；根据所述第二信用逾期概率集以及所述第二用户集对应的第二实际信用逾期概率集进行KS值计算，得到第二KS集；以及对所述第一KS集和所述第二KS集进行比较计算，根据计算结果，从所述至少两个GBDT模型中确定所述目标GBDT模型。3.根据权利要求2所述的方法，其中，对所述第一KS集和所述第二KS集进行比较计算，根据计算结果，从所述至少两个GBDT模型中确定所述目标GBDT模型，包括：将根据相同GBDT模型得到的所述第一KS集中的KS值与所述第二KS集中的KS值进行取最小值计算，得到第三KS集；对所述第三KS集中包含的KS值进行取最大值计算，得到目标KS值；以及将所述至少两个GBDT模型中与所述目标KS值对应的GBDT模型确定为所述目标GBDT模型。4.根据权利要求2所述的方法，其中，将第一样本数据分别输入至少两个梯度渐进决策树GBDT模型中之前，还包括：根据粒子群优化PSO算法，确定所述至少两个GBDT模型的GBDT参数。5.根据权利要求4所述的方法，其中，根据粒子群优化算法PSO算法，确定所述至少两个GBDT模型的GBDT参数，包括：将GBDT模型中的参数个数映射为PSO算法的定义域维度；将GBDT模型中每个所述参数的取值范围映射为PSO算法的定义域范围；从所述定义域维度对应的定义域范围内抽取至少两组维度值数据，作为至少两个粒子；通过PSO算法计算所述至少两个粒子的轨迹最优点；其中，所述轨迹最优点是指粒子走过的轨迹中使目标函数达到最大值的点，所述目标函数为对所述第一KS集中的KS值与所述第二KS集中的KS值取最小值的函数以及将所述至少两个粒子的轨迹最优点对应的维度值数据映射回GBDT模型中，得到至少两组GBDT参数。6.根据权利要求1所述的方法，其中，根据所述目标GBDT模型对用户进行信用评价，包括：2CN109496322A权利要求书2/3页将所述用户的信用数据输入所述目标GBDT模型，得到所述用户的信用逾期概率；以及将所述用户的信用逾期概率与预设信用逾期概率阈值进行比较，得到所述用户的信用评价结果。7.一种信用评价装置，包括：第一信用逾期概率获取模块，设置为将第一样本数据分别输入至少两个梯度渐进决策树GBDT模型中，得到第一信用逾期