[发明专利]一种基于贝叶斯网络和互信息的客户信用评分方法

权利要求书

1.一种基于贝叶斯网络和互信息的客户信用评分方法，包括：

步骤S1，客户数据预处理，并用离散型随机变量来描述全部客户数据属性；

步骤S2，计算客户信用表现随机变量与其他客户数据属性随机变量之间的互信息，并对互信息进行排序；

步骤S3，使用基于互信息的贝叶斯网络创建算法来构建一个初始贝叶斯网络；

步骤S4，从初始贝叶斯网络中抽取客户信用表现属性结点的马尔科夫毯，并对其结构进行必要调整，得到最终贝叶斯网络作为客户信用评分模型的网络结构；

步骤S5，使用最大似然估计对客户信用评分模型的网络结构进行参数学习，得到客户信用评分模型的参数；

步骤S6，使用所得的客户信用评分模型来预测客户的未来信用表现。

2.如权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：

步骤S1-1，客户数据清洗；

步骤S1-2，客户数据中连续值的离散化；

步骤S1-3，用离散型随机变量来描述全部客户数据属性。

3.如权利要求1所述的方法，其特征在于，所述步骤S2进一步包括：

步骤S2-1，计算客户信用表现随机变量与其他客户数据属性随机变量之间的互信息；

步骤S2-2，对客户信用表现随机变量与其他客户数据属性随机变量之间的互信息进行排序，形成互信息排序表。

4.如权利要求1所述的方法，其特征在于，所述步骤S3中基于互信息的贝叶斯网络创建算法由如下步骤S3-1至步骤S3-5所组成：

步骤S3-1，输入预处理过的客户数据集D、阈值s、客户信用表现随机变量与其他客户数据属性随机变量之间的互信息排序表MISortList；

步骤S3-2，基于客户数据集D使用爬山算法来构建一个贝叶斯网络BN_1a，并计算其贝叶斯信息准则值BIC(BN_1a)；

步骤S3-3，从MISortList中取出最小互信息MI_min，将其从MISortList中删除，并从D中删除MI_min所对应的非信用表现属性随机变量及其数据；

步骤S3-4，基于D中剩余的客户数据使用爬山算法来构建一个贝叶斯网络BN_1b，并计算其贝叶斯信息准则值BIC(BN_1b)；

步骤S3-5，若比值BIC(BN_1b)/BIC(BN_1a)小于阈值s，则令BN_1a＝BN_1b，并返回步骤S3-3进行重复处理；否则，将当前贝叶斯网络BN_1a作为初始贝叶斯网络输出。

5.如权利要求1所述的方法，其特征在于，所述步骤S4进一步包括：

步骤S4-1，从初始贝叶斯网络中抽取客户信用表现属性结点的马尔科夫毯作为中间贝叶斯网络；

步骤S4-2，对中间贝叶斯网络使用基于互信息的贝叶斯网络结构调整算法进行必要调整，得到最终贝叶斯网络作为客户信用评分模型的网络结构。

6.如权利要求5所述的方法，其特征在于，所述步骤S4-2中基于互信息的贝叶斯网络结构调整算法由如下步骤S4-2-1至步骤S4-2-4所组成：

步骤S4-2-1，输入中间贝叶斯网络BN₂、客户信用表现随机变量与其他客户数据属性随机变量之间的互信息排序表MISortList、拟增加的客户信用表现属性结点的父结点数量n；

步骤S4-2-2，从MISortList中取出最大互信息MI_max，并将其从MISortList中删除；

步骤S4-2-3，判断MI_max所对应的非信用表现属性结点是否已在BN₂中：若是，则返回步骤S4-2-2进行重复处理；否则，在BN₂中创建MI_max所对应的非信用表现属性结点，并添加从该结点到客户信用表现属性结点的有向边，且n值减1；

步骤S4-2-4，判断n值是否大于0：若是，则返回步骤S4-2-2进行重复处理；否则，即n值等于0，将当前贝叶斯网络BN₂作为最终贝叶斯网络输出，该贝叶斯网络就是客户信用评分模型的网络结构。