[发明专利]基于森林区分度模型的预测方法及系统

说明书

技术领域

本发明涉及评分卡建模技术领域，尤其涉及一种基于森林区分度模型的预测方法及系统。

背景技术

评分卡是一个基于统计学的分析工具，它可以通过分析已经发生的现象,根据历史数据和各种相关因素,来预测将来某个特定结果发生的概率。分析的基础是一系列描述历史数据的互相关联的因素、变量、预测值或者回归方程的独立变量，我们称之为预测变量。待预测的某个特定结果称为目标变量。评分卡建模技术就是基于评分卡，建立预测变量和目标变量之间映射关系的技术，这种映射关系就是评分卡模型。评分卡模型的常用模型方法，有线性回归、逻辑回归、神经网络、决策树、区分度等。比如，我们可以通过分析已有的信用卡使用者的还款情况，来预测一个信用卡申请者在将来是否可能出现逾期不还款的行为。虽然授信者通过人工分析客户的历史信用资料，同样可以得到这样的分析结果，但利用信用评分却更加快速、更加客观、更具有一致性。

区分度模型是一种较稳定，且可解释性强的模型，在金融和电信领域广泛应用。区分度模型的目标变量是二分类型的，即其取值范围为两个值，如：好/坏，逾期/不逾期，是/否，等等。建模的目的是为了有效的区分好样本和坏样本。如图1C，假定坏样本的分布如图中部分1，好样本的分布如图中部分2，为了能够最好的区分出来好坏样本，我们设想最好的情况是坏样本的分布中不包含好的样本，好样本分布中不包含坏的样本，这样我们就可能达到完全分出来好坏样本的目的。当然在实际的操作过程中我们不可能达到理想的分布，但是我们的目标就是希望最大化的接近这种目的，因此在这个图中希望好坏样本交叉重叠的部分达到最小，当他们完全没有交叉重叠时也就是我们设想的理想情况了。

基于这种想法，提出了DIV的公式(DIV公式的数学思想来源于Fisher判别分析方法。Fisher判别分析是模式识别领域广泛应用的一种分类方法，它 根据最大化类间离散度、同时最小化类内离散度的准则，确定一系列线性变化方向，使各类之间最大程度的分离。）至今，该方法已成功应用于评估消费者信用风险、岩质边坡稳定性评价、非线性统计过程监控与故障诊断等众多领域。美国FICO公司提出的Divergence模型便是将Fisher判别方法与具有现实意义的限制条件相结合，从而成功应用于信用评估领域，大大方便了业务对模型的要求：

我们通过求解DIV的最大值即MAX(DIV)来达到使两个分布重叠最小的要求，以此达到最好区分好坏样本的目的。

基于区分度模型建立预测模型，并对未来事件进行预测：

其中，变量分箱的过程就是根据一定的规则将预测变量离散化，分割为一段段区间的过程。对于连续的数值型变量，该离散化过程的结果为多个区间。比如对于表示年龄和学历的变量，分箱的结果可能如下表所示。年龄被分为5个区间，而学历被分为4个区间。每个区间称为一个箱子（bin），而一个变量对应的一组bin称为该变量的分箱(binning)，用于预测的所有变量的binning称为一个分箱组。下述表格为分箱示例

统计学上，也叫做把变量转换为“哑变量”。变量分箱虽然在某种程度上可能牺牲了模型的精确度，但是在一定程度上它也防止了模型的过度拟合，保证了模型的稳定性。在变量分箱的过程当中，分析师可以参照一些统计指标，根据业务的实际情况，确定一个相对合理的分箱方式。

目前，数据分析师在变量分箱过程中，存在两个主要问题：一是自动化程度低，需要耗费大量的时间，且分箱结果对分析师经验依赖程度高，对于得到好的分箱结果没有成熟的技术保障；二是变量分箱过程只针对单个变量，没有考虑多个变量之间的联系。

目前分析师所使用的方法基本是手动或者半自动的，即需要数据分析师结 合实际业务，观察和分析样本数据分布规律，然后确定几个区间，并得到分箱的统计指标（可以借助于已有的统计工具实现，如SAS），然后依据此统计指标，再逐步调整区间分割点，再考察统计指标，再逐步调整；如此反复，直到调整得到较理想的分箱结果。每个变量都需要重复该过程，需要消耗数据分析师大量的时间。而该过程还未必能得到较优的结果，因为对于大数据量，分析师不可能将每个变量的每个值都考察一遍，而只能是根据已有的经验，大致考察有限个点。此外，对于不同的数据分析师，该过程得到的结果还是不一样的。因为分割点的选择是人为确定的，该过程是不能够重现和重复的。对于其它的分析师，不具备参考和借鉴意义。特别的是，对于经验不足的数据分析师来说，能够得到一个效果较好的分箱结果是非常困难的。